eng
Выпуск #9/2018
Кондрашов Владимир Владимирович, Чапкин Вячеслав Вячеславович, Лукашенков Анатолий Викторович, Копылов Андрей Валерьевич, Середин Олег Сергеевич
Построение системы моделирования и управления процессом лазерной подгонки пленочных резисторов в микроэлектронике
Построение системы моделирования и управления процессом лазерной подгонки пленочных резисторов в микроэлектронике
Просмотры: 2449
В статье описано построение системы моделирования и управления процессом лазерной подгонки резистивных элементов на основе сеточных схемных моделей и методов анализа изображений. Подробно рассмотрены подходы к решению задач, возникающих при автоматизации процесса подгонки.
УДК 62-5; 004.942; 004.932.2
DOI: 10.22184/1993-8578.2018.82.211.216
УДК 62-5; 004.942; 004.932.2
DOI: 10.22184/1993-8578.2018.82.211.216
Теги: development of control algorithms image analysis laser trimming of resistors machine vision resistor’s electrophysical parameters calculation анализ изображений лазерная подгонка резисторов расчет электрофизических параметров резисторов синтез алгоритмов управления процессом подгонки техническое зрение
Анализ современных тенденций в производственных процессах изготовления изделий микроэлектроники показывает необходимость повышения уровня автоматизации технологических операций, снижения доли ручного труда, повышения требований к точности как геометрических размеров, так и электрофизических характеристик элементов гибридных интегральных схем. Для обеспечения выполнения данных требований применительно к процессу нормирования пленочных резистивных элементов (РЭ) плат микросборок, представленных на рис. 1, или наборов чип-резисторов, использующихся при поверхностном монтаже на рис. 2, необходимо создание промышленного оборудования, сочетающего в себе механизмы анализа и принятия решений на основе результатов предварительного моделирования подгонки резисторов в автоматическом режиме. В частности, системного подхода и автоматизации требуют следующие подзадачи, возникающие при подготовке и выполнении операции нормирования пленочных резисторов:
Формирование рабочих файлов проекта.
Выбор траектории подгонки, определение точки вреза и параметров долевого перехода по плечам (элементам) траектории движения лазерного луча.
Определение параметров пошаговой доводки значения сопротивления до номинала.
Детектирование и распознавание объектов топологии платы по ее видеоизображению.
Синтез алгоритмов адаптивного управления процессом подгонки с учетом обновляющейся в режиме реального времени информации о состоянии резистора [1].
Для решения первой из вышеуказанных подзадач был реализован механизм автоматического анализа конструкторской, технологической и нормативной документации. Для выбора формы подгоночной траектории был разработан подход на основе анализа выбранных критериев подгонки с использованием априорной информации. Данный анализ оказался возможен благодаря предложенной сеточной схемной модели токопроводящей среды резистивных пленочных элементов при лазерной подгонке сопротивления [2]. Моделирование процесса подгонки на базе алгоритмов расчета электрофизических параметров РЭ позволило определять оптимальное расположение точки начала реза и длины плеч траектории подгонки. При этом был принят ряд допущений: прямоугольная форма РЭ, однородность и изотропность резистивной пленки, применение стандартных типов реза, анализ только резистивных свойств токопроводящей среды.
Для обеспечения требуемой точности моделирования поведения резистора в процессе подгонки необходимы данные о реальных линейных размерах резистивной пленки. В связи с этим было принято решение использовать механизмы машинного зрения как для получения вышеупомянутых размеров, так и для корректного расположения лазерного луча и измерительных зондов системы подгонки. При этом стала очевидной необходимость предварительного позиционирования подложки с топологическими элементами в пространстве координат оптической системы лазерной машины. В противном случае измерения линейных размеров по изображению с видеокамеры могли оказаться некорректными в связи с ошибками в определении соотношения числа микрометров на один пиксель видеокамеры. Данная подзадача была успешно решена на основе методов автоматической оптической фокусировки и определения положения объектов по углу поворота [3].
Особенности оптического тракта и режимов работы лазерной установки затрудняют использование активных систем фокусировки. В то же время для использования пассивных способов, таких как фазовый автофокус, необходимо наличие отдельного оптического тракта, что потребовало бы внесения значительных изменений в конструкцию лазерных машин. В связи с этим в качестве основы для автоматической фокусировки в лазерных установках выбран метод пассивного автофокуса с использованием подходящего показателя фокусировки. В литературе приводятся десятки различных функций автофокуса [4–7]. Эти функции основаны на априорных предположениях о различиях в информативности несфокусированного изображения и изображения в фокусе. Основываясь на данных исследований в области компьютерной микроскопии, были выбраны три функции автофокуса, относящиеся к разным типам и демонстрирующие наилучшую производительность в алгоритмах автоматической фокусировки. Это градиент Тенеграда [8], нормированная дисперсия [5] и функция Vollath’s F5 [9].
Для исследования выбранных функций использовались последовательности снимков, полученных при помощи оптической системы установки МЛ5-3. Подсчет функций выполнялся по полному кадру. Типичная картина зависимости значения функций автофокуса от положения камеры (номера кадра) приведена на рис. 3. Для удобства все функции на графиках приведены к одному масштабу.
Исследования в области компьютерной микроскопии [4, 5, 10], так же как и наши собственные исследования, позволяют сделать вывод, что функция фокусировки, основанная на нормированной дисперсии, демонстрирует наилучшую производительность по совокупности различных параметров регистрации и уровня шума изображения.
Примененный в системе стандартный принцип действия системы пассивного автофокуса, проиллюстрированной на рис. 4, состоит из трех основных этапов: выбора области фокусировки, измерения показателя фокусировки и поиска максимума резкости [11].
Большинство изображений плат с топологией чип-резисторов или ГИС обладают следующей характерной особенностью, упрощающей построение алгоритмов определения ориентации. На изображении присутствует множество объектов прямоугольной и линейной формы, стороны которых параллельны краям изделия и перпендикулярны друг другу. Рассмотрим два различных подхода к определению угла ориентации платы: подход, основанный на вычислении гистограммы направлений градиентов и выбора наиболее часто встречающегося направления, и подход на основе преобразования Хафа. Первый этап обработки изображений для этих двух методов совпадает и заключается в определении поля градиента изображения. Ввиду присутствия на изображении шума и неоднородности самих элементов платы, простое вычисление первой разности в горизонтальном и вертикальном направлении приводит к значительной неоднородности построенного поля и в результате к ошибкам в определении направления. Для определения вектора градиента используется рекурсивный экспоненциальный фильтр с некоторыми усовершенствованиями, позволяющими увеличить скорость и качество работы алгоритма. Согласно [12] такой фильтр является оптимальным с точки зрения критериев обнаружения, локализации и единственности отклика, имеет крайне высокую вычислительную эффективность и малые требования к памяти.
В результате экспериментов получены результаты, показывающие, что алгоритм на основе гистограммы градиентов работает достаточно быстро, однако часто не обеспечивает требуемой точности определения ориентации изделия. Он может быть использован для быстрой предварительной оценки угла поворота платы относительно рабочего стола. Для более точного определения ориентации используется модифицированный метод Хафа, для реализации которого используется процедура выделения особенностей изображения, соответствующих локальному максимуму градиента в направлении, перпендикулярном направлению градиента. После этапа построения поля градиента алгоритм выделения особенностей на основе экспоненциального сглаживания использует процедуру подавления немаксимумов модуля градиента, аналогичную используемой фильтром Canny [13]. Алгоритм демонстрирует уверенное определение достаточного для построения преобразования Хафа количества точек. За ориентацию изделия принимается ориентация прямой на изображении, проходящей через максимальное число особенностей.
Исходными данными для работы алгоритма обнаружения границ элементов топологии являются изображение участка платы микросборки, полученное по оптическому каналу лазерной машины, информация о примерном положении элемента топологии, основанная на КД на изделие или поступившая от оператора, глобальный сдвиг и ориентация видимого участка платы по отношению к базовой точке всей платы, координаты которой известны.
В работе алгоритма можно выделить следующие основные этапы [14]:
определение поля градиентов изображения с шумоподавлением;
получение потенциального положения РЭ на основе данных конструкторской документации или предыдущего уточнения;
уточнение положения РЭ на основе заранее полученного общего сдвига платы относительно чертежа;
трансформация положения РЭ в геометрическое пространство изображения с камеры;
уточнение положения и границ РЭ на основе изображения с камеры при помощи модифицированного дискретного преобразования Радона.
Алгоритм уточнения прямоугольника РЭ основан на дискретном преобразовании Радона. Преобразование Радона как интегральное преобразование является чрезвычайно устойчивым по отношению к шуму на изображении и позволяет с высокой точностью определить положение линейных элементов [15]. Поскольку элементы топологии имеют в основном вертикальные и горизонтальные границы, вместо полного преобразования Радона достаточно вычислить значения построчных и постолбцовых сумм, что проиллюстрировано на рис. 5: исходное изображение слева, сглаженный модуль градиента и значения построчных и постолбцовых сумм справа.
На основе методов получения и обработки первичной и текущей информации о ходе технологического процесса были получены алгоритмы управления подгонкой резисторов в режиме реального времени как совокупность средств схемного моделирования и оптического детектирования объектов топологии.
На базе разработанных алгоритмов создана программа ResModel для имитационного моделирования лазерной подгонки РЭ. ResModel позволяет вычислять величины сопротивления, напряжений, токов и мощностей на произвольных участках схемной модели токопроводящей среды, а также строить подгоночные характеристики (ПХ) исследуемых резисторов и диаграммы распределения мощностей и токов по ветвям, как это представлено на рис. 6.
Исходными данными для моделирования являются геометрические размеры РЭ, диаметр пятна лазерного излучения, начальное значение сопротивления резистора и величина измерительного тока, а также значение размера узла, определяющего шаг дискретизации модели. На рис. 7 приведен пример работы программы при использовании функции поиска оптимальной траектории реза по критериям достижения требуемой точности сопротивления РЭ и обеспечения минимальных значений максимальной рассеиваемой мощности на участках резистивной пленки, в особенности — на прилегающих к подгоночному резу частях.
С целью проверки адекватности и точности предложенной модели и корректности алгоритмов проведен ряд экспериментов. Вначале проводилось измерение начального сопротивления РЭ и с помощью разработанных алгоритмов детектирования границ определялись его геометрические размеры. На основе этих исходных данных выполнялось имитационное моделирование подгонки резистора с заранее заданными параметрами. Далее выполнялась подгонка реального РЭ на лазерной машине с такими же параметрами траектории реза. Путем анализа полученных данных сделан вывод о допустимости применения разработанной модели и алгоритмов для поиска оптимальных параметров траектории подгоночного реза.
В следующем эксперименте была выполнена подгонка чип-резисторов прямоугольной конфигурации в тонкопленочном и толстопленочном исполнении на лазерной установке стандартными подгоночными резами с фиксированными параметрами. Затем проводилось имитационное моделирование процесса подгонки при тех же исходных данных в разработанной программе ResModel. Для этого использовалось наложение изображений подогнанных резисторов на имитационную сеточную модель, как показано на рис. 8.
Математическое ожидание приведенной разницы между смоделированным и реально полученным значениями сопротивления составляло:
для тонкопленочных резисторов M ≈ 0,3;
для толстопленочных резисторов M ≈ 0,8.
Данная разница в результатах точности моделирования обусловлена, очевидно, особенностями технологического исполнения (в первую очередь, неравномерностью толщины резистивного слоя толстопленочных РЭ).
В ходе проведения серии экспериментов были построены ПХ и получена оценка относительных максимальных значений рассеиваемой мощности на резисторах, подогнанных стандартными типами реза в ходе исследования адекватности моделей. Затем в программе имитационного моделирования на основе алгоритма поиска оптимальных параметров траектории подгонки были определены координаты точки начала подгоночного реза и длины его плеч. После этого выполнена лазерная подгонка серии тонкопленочных чип-резисторов спроектированным резом.
Исходя из подтвержденной адекватности разработанных моделей сделан вывод о соответствии значений максимально допустимой рассеиваемой мощности в модельном и реальном РЭ. Сравнительный анализ результатов подгонки показал, что выполнение оптимальных подгоночных резов позволяет уменьшить максимальные величины токов на прилегающих к резу элементарных резисторах на 40–80 %. Таким образом, было достигнуто повышение эксплуатационных характеристик пленочных резисторов, лазерная подгонка которых выполнена с использованием полученных на основе моделирования траекторий, при допустимой разнице итогового отклонения от номинала.
Подводя итог, можно заявить, что применение программных модулей, базирующихся на разработанных алгоритмах сеточного схемного моделирования и машинного зрения, позволяет обеспечить в реальном времени:
предварительный расчет сопротивления резистивных элементов;
автоматический поиск оптимальных подгоночных траекторий на основе предложенных алгоритмов с учетом технологических и критерийных ограничений;
автоматическое оптическое детектирование, выделение и распознавание элементов топологии плат микросборок по видеоизображению.
Выполненные исследования и разработанные алгоритмы позволили построить систему лазерной подгонки, способную обеспечить современный уровень микроэлектронных технологий производства пленочных резисторов, при этом совершенствуя и подход к конструированию самих машин лазерной подгонки, и методы анализа процесса нормирования РЭ. Результаты работы в виде библиотек программных модулей были внедрены в состав серийных машин лазерной подгонки резисторов и микрообработки, подтвердив при практическом применении повышение скорости и точности подгонки резисторов и существенное снижение нагрузки на технологов и операторов. В качестве базовой была выбрана лазерная машина для подгонки резисторов модификации МЛ5-2 производства НПЦ «Лазеры и Аппаратура ТМ» (г. Зеленоград), изображенная на рис. 9.
Авторы считают, что в данной работе новыми являются следующие положения и результаты:
Предложена сеточная схемная модель токопроводящей среды РЭ при лазерной подгонке сопротивления, позволяющая определить распределение тока в проводящей среде и иные электрофизические параметры резистора.
Разработан и реализован алгоритм расчета электрофизических параметров РЭ при изменении конфигурации токопроводящей среды в процессе подгонки.
Предложены алгоритмы имитационного моделирования процесса подгонки и поиска необходимых параметров реза, обеспечивающего оптимальные характеристики РЭ по одному или нескольким критериям.
Разработаны и проанализированы алгоритмы детектирования РЭ (положения относительно базовых элементов, ориентации по углу поворота) по оптическому каналу лазерной установки в режиме реального времени.
Получены данные по проверке адекватности предложенной модели и корректности алгоритмов поиска оптимальных параметров траектории реза [16].
Разработанные модели токопроводящей среды РЭ могут применяться для резисторов с конфигурацией, отличной от прямоугольной (меандровая, трапециевидная и т. д.). Аналогичные выводы следует сделать и о применимости моделей и алгоритмов для проектирования стандартных подгоночных резов и резов произвольной конфигурации, использующихся на практике на предприятиях отечественного резисторостроения и микроэлектроники.
Применимость алгоритмов автоматической оптической фокусировки, ориентации детали по углу поворота и детектирования объектов по видеоизображению не ограничивается машинами подгонки резисторов. Аналогичные по сути задачи стоят перед разработчиками современных систем лазерной маркировки, гравировки, сварки и резки, микрообработки, прошивки отверстий и т. д. Внедрение разработанных алгоритмов в вышеуказанные системы позволит повысить технологический уровень подобных лазерных машин.
Следует отметить перспективы дальнейшей разработки темы. В исследуемых моделях не использовалась коррекция их исходных параметров в ходе выполнения процесса подгонки на лазерной установке. Однако, если производить коррекцию значения сопротивления элементарных резисторов в случае существенного отклонения значений сопротивления реального РЭ от прогнозируемого, то это позволит повысить точность моделирования и, как следствие, качество изготавливаемого резистора.
Также одним из перспективных направлений развития исследуемой темы видится накопление и анализ статистической информации не только о подгонке резисторов на плате, но и ПХ конкретных РЭ с целью учета собранных сведений о свойствах резистивной пленки. Особенно актуальными такие данные будут при подгонке толстопленочных резисторов, для которых характерны схожие неравномерности в толщине и распределении удельного сопротивления параметрах слоя на разных участках пленки. Накопленные статистические данные позволят отследить подобные закономерности с целью последующего их учета при проектировании процесса подгонки.
В качестве одного из дальнейших направлений развития контроля за ходом технологического процесса при помощи видеоканала лазерной установки следует считать автоматическую предварительную и итоговую автоматическую оптическую инспекцию. Целью предварительной инспекции является анализ состояния резистивной пленки на наличие дефектов, при обнаружении которых следует изменить параметры планируемого подгоночного реза таким образом, чтобы полученное в итоге изделие удовлетворяло требованиям регламентирующей документации. Итоговый же контроль позволяет автоматизировать процесс отбраковки изделий по различным признакам.
Следует отметить и такое важное и перспективное для повышения качества управления рассматриваемым технологическим процессом подгонки РЭ направление, как разработка методов и средств получения данных о текущем значении сопротивления резисторов с частотой, которая будет значительно превышать частоту генерации импульсов лазерного излучения. В этом случае можно будет не только отсекать результаты измерений, являющиеся следствием влияния температурного коэффициента сопротивления резистивной пленки и вносящие существенные погрешности, но и применять фильтрацию различных измерительных шумов и наводок в цепи.
ЛИТЕРАТУРА
1.
Кондрашов В. В. Автоматизация процесса лазерной подгонки пленочных резистивных элементов / В. В. Кондрашов, А. В. Копылов, О. С. Середин // Известия Тульского государственного университета. Технические науки. — 2013. — Вып. 2. — С. 146–159.
2. Кондрашов В. В. Схемные модели токопроводящей среды пленочного резистивного элемента при лазерной подгонке сопротивления / В. В. Кондрашов, А. В. Лукашенков // Вестник КГТУ им. А. Н. Туполева. — 2015. — № 4. — С. 121–128.
3. Разработка и программная реализация алгоритмов автоматической фокусировки, определения ориентации и детектирования объектов топологии плат микросборок по оптическому каналу лазерной установки: отчет о НИОКР (заключ.): / ООО ЛКАД; рук. Середин О. С. — Тула, 2015. — 65 с. — Исполн.: Копылов А. В., Ларин А. О., Кондрашов В. В. — № ГР 115052910007. — Инв. № Б2015-03.
4. Groen F., Young I., Ligthart G. A Comparison of Different Focus Functions for Use in Autofocus Algorithms // Cytometry. 1985. Vol. 91.
5. Duthaler S., Nelson B. J. Autofocusing Algorithm Selection in Computer Microscopy // 2005 IEEE/RSJ Int. Conf. Intell. Robot. Syst. IEEE, 2005, pp. 70–76.
6. Mateos-Pérez J. M. et al. Comparative Evaluation of Autofocus Algorithms for a Real-time System for Automatic Detection of Mycobacterium Tuberculosis // Cytometry. A. 2012. Vol. 81, № 3, pp. 213–221.
7. Santos A. et al. Evaluation of Autofocus Functions in Molecular Cytogenetic Analysis // Journal of Microscopy. — 1997. — Т. 188. — № 3. — С. 264–272.
8. Schlag J. F. et al. Implementation of Automatic Focusing Algorithms for a Computer Vision System with Camera Control // Robot. Inst. Tech. Rep. C. Camegie-Mellon Univ. Pittsburgh, PA. 1983. № August.
9. Vollath D. The Influence of the Scene Parameters and of Noise on the Behaviour of Automatic Focusing Algorithms // J. Microsc. 1988. Vol. 151, № 2, pp. 133–146.
10. Liu X. Y., Wang W. H., Sun Y. Dynamic Evaluation of Autofocusing for Automated Microscopic Analysis of Blood Smear and Pap Smear // J. Microsc. 2007. Vol. 227, № 1, pp. 15–23.
11. Shih L. Autofocus Survey: a Comparison of Algorithms // Electron. Imaging. 2007. Vol. 6502, pp. 1–11.
12. Castan S., Zhao J., Shen J. New Edge Detection Method Based on Exponential Filter // ICPRB. 1990. Vol. 2, № X, pp. 709–711.
13. Canny J. A Computational Approach to Edge Detection // IEEE Trans. Pattern Anal. Mach. Intell. IEEE Computer Society, 1986. Vol. 8, № 6, pp. 679–698.
14. Кондрашов В. В., Середин О. С., Копылов А. В., Ларин А. О. Детектирование объектов топологии плат микросборок по оптическому каналу лазерной установки // Техническое зрение в системах управления — 2015, тезисы научно-технической конференции, Москва, ИКИ РАН, 17–19 марта 2015. — С. 80–81.
15. Вершок Д. А. и др. Система цифровой обработки изображений слоев интегральных микросхем // Идентификация образов. — Мн. ИТК АНБ. 2001. № 2, pp. 72–87.
16. Кондрашов В. В. Управление процессом лазерной подгонки пленочных резистивных элементов на основе сеточной схемной модели токопроводящей среды: дисс. …канд. техн. наук: 05.13.01 /Владимир Владимирович Кондрашов. — Тула, 2016. — 207 с.
Формирование рабочих файлов проекта.
Выбор траектории подгонки, определение точки вреза и параметров долевого перехода по плечам (элементам) траектории движения лазерного луча.
Определение параметров пошаговой доводки значения сопротивления до номинала.
Детектирование и распознавание объектов топологии платы по ее видеоизображению.
Синтез алгоритмов адаптивного управления процессом подгонки с учетом обновляющейся в режиме реального времени информации о состоянии резистора [1].
Для решения первой из вышеуказанных подзадач был реализован механизм автоматического анализа конструкторской, технологической и нормативной документации. Для выбора формы подгоночной траектории был разработан подход на основе анализа выбранных критериев подгонки с использованием априорной информации. Данный анализ оказался возможен благодаря предложенной сеточной схемной модели токопроводящей среды резистивных пленочных элементов при лазерной подгонке сопротивления [2]. Моделирование процесса подгонки на базе алгоритмов расчета электрофизических параметров РЭ позволило определять оптимальное расположение точки начала реза и длины плеч траектории подгонки. При этом был принят ряд допущений: прямоугольная форма РЭ, однородность и изотропность резистивной пленки, применение стандартных типов реза, анализ только резистивных свойств токопроводящей среды.
Для обеспечения требуемой точности моделирования поведения резистора в процессе подгонки необходимы данные о реальных линейных размерах резистивной пленки. В связи с этим было принято решение использовать механизмы машинного зрения как для получения вышеупомянутых размеров, так и для корректного расположения лазерного луча и измерительных зондов системы подгонки. При этом стала очевидной необходимость предварительного позиционирования подложки с топологическими элементами в пространстве координат оптической системы лазерной машины. В противном случае измерения линейных размеров по изображению с видеокамеры могли оказаться некорректными в связи с ошибками в определении соотношения числа микрометров на один пиксель видеокамеры. Данная подзадача была успешно решена на основе методов автоматической оптической фокусировки и определения положения объектов по углу поворота [3].
Особенности оптического тракта и режимов работы лазерной установки затрудняют использование активных систем фокусировки. В то же время для использования пассивных способов, таких как фазовый автофокус, необходимо наличие отдельного оптического тракта, что потребовало бы внесения значительных изменений в конструкцию лазерных машин. В связи с этим в качестве основы для автоматической фокусировки в лазерных установках выбран метод пассивного автофокуса с использованием подходящего показателя фокусировки. В литературе приводятся десятки различных функций автофокуса [4–7]. Эти функции основаны на априорных предположениях о различиях в информативности несфокусированного изображения и изображения в фокусе. Основываясь на данных исследований в области компьютерной микроскопии, были выбраны три функции автофокуса, относящиеся к разным типам и демонстрирующие наилучшую производительность в алгоритмах автоматической фокусировки. Это градиент Тенеграда [8], нормированная дисперсия [5] и функция Vollath’s F5 [9].
Для исследования выбранных функций использовались последовательности снимков, полученных при помощи оптической системы установки МЛ5-3. Подсчет функций выполнялся по полному кадру. Типичная картина зависимости значения функций автофокуса от положения камеры (номера кадра) приведена на рис. 3. Для удобства все функции на графиках приведены к одному масштабу.
Исследования в области компьютерной микроскопии [4, 5, 10], так же как и наши собственные исследования, позволяют сделать вывод, что функция фокусировки, основанная на нормированной дисперсии, демонстрирует наилучшую производительность по совокупности различных параметров регистрации и уровня шума изображения.
Примененный в системе стандартный принцип действия системы пассивного автофокуса, проиллюстрированной на рис. 4, состоит из трех основных этапов: выбора области фокусировки, измерения показателя фокусировки и поиска максимума резкости [11].
Большинство изображений плат с топологией чип-резисторов или ГИС обладают следующей характерной особенностью, упрощающей построение алгоритмов определения ориентации. На изображении присутствует множество объектов прямоугольной и линейной формы, стороны которых параллельны краям изделия и перпендикулярны друг другу. Рассмотрим два различных подхода к определению угла ориентации платы: подход, основанный на вычислении гистограммы направлений градиентов и выбора наиболее часто встречающегося направления, и подход на основе преобразования Хафа. Первый этап обработки изображений для этих двух методов совпадает и заключается в определении поля градиента изображения. Ввиду присутствия на изображении шума и неоднородности самих элементов платы, простое вычисление первой разности в горизонтальном и вертикальном направлении приводит к значительной неоднородности построенного поля и в результате к ошибкам в определении направления. Для определения вектора градиента используется рекурсивный экспоненциальный фильтр с некоторыми усовершенствованиями, позволяющими увеличить скорость и качество работы алгоритма. Согласно [12] такой фильтр является оптимальным с точки зрения критериев обнаружения, локализации и единственности отклика, имеет крайне высокую вычислительную эффективность и малые требования к памяти.
В результате экспериментов получены результаты, показывающие, что алгоритм на основе гистограммы градиентов работает достаточно быстро, однако часто не обеспечивает требуемой точности определения ориентации изделия. Он может быть использован для быстрой предварительной оценки угла поворота платы относительно рабочего стола. Для более точного определения ориентации используется модифицированный метод Хафа, для реализации которого используется процедура выделения особенностей изображения, соответствующих локальному максимуму градиента в направлении, перпендикулярном направлению градиента. После этапа построения поля градиента алгоритм выделения особенностей на основе экспоненциального сглаживания использует процедуру подавления немаксимумов модуля градиента, аналогичную используемой фильтром Canny [13]. Алгоритм демонстрирует уверенное определение достаточного для построения преобразования Хафа количества точек. За ориентацию изделия принимается ориентация прямой на изображении, проходящей через максимальное число особенностей.
Исходными данными для работы алгоритма обнаружения границ элементов топологии являются изображение участка платы микросборки, полученное по оптическому каналу лазерной машины, информация о примерном положении элемента топологии, основанная на КД на изделие или поступившая от оператора, глобальный сдвиг и ориентация видимого участка платы по отношению к базовой точке всей платы, координаты которой известны.
В работе алгоритма можно выделить следующие основные этапы [14]:
определение поля градиентов изображения с шумоподавлением;
получение потенциального положения РЭ на основе данных конструкторской документации или предыдущего уточнения;
уточнение положения РЭ на основе заранее полученного общего сдвига платы относительно чертежа;
трансформация положения РЭ в геометрическое пространство изображения с камеры;
уточнение положения и границ РЭ на основе изображения с камеры при помощи модифицированного дискретного преобразования Радона.
Алгоритм уточнения прямоугольника РЭ основан на дискретном преобразовании Радона. Преобразование Радона как интегральное преобразование является чрезвычайно устойчивым по отношению к шуму на изображении и позволяет с высокой точностью определить положение линейных элементов [15]. Поскольку элементы топологии имеют в основном вертикальные и горизонтальные границы, вместо полного преобразования Радона достаточно вычислить значения построчных и постолбцовых сумм, что проиллюстрировано на рис. 5: исходное изображение слева, сглаженный модуль градиента и значения построчных и постолбцовых сумм справа.
На основе методов получения и обработки первичной и текущей информации о ходе технологического процесса были получены алгоритмы управления подгонкой резисторов в режиме реального времени как совокупность средств схемного моделирования и оптического детектирования объектов топологии.
На базе разработанных алгоритмов создана программа ResModel для имитационного моделирования лазерной подгонки РЭ. ResModel позволяет вычислять величины сопротивления, напряжений, токов и мощностей на произвольных участках схемной модели токопроводящей среды, а также строить подгоночные характеристики (ПХ) исследуемых резисторов и диаграммы распределения мощностей и токов по ветвям, как это представлено на рис. 6.
Исходными данными для моделирования являются геометрические размеры РЭ, диаметр пятна лазерного излучения, начальное значение сопротивления резистора и величина измерительного тока, а также значение размера узла, определяющего шаг дискретизации модели. На рис. 7 приведен пример работы программы при использовании функции поиска оптимальной траектории реза по критериям достижения требуемой точности сопротивления РЭ и обеспечения минимальных значений максимальной рассеиваемой мощности на участках резистивной пленки, в особенности — на прилегающих к подгоночному резу частях.
С целью проверки адекватности и точности предложенной модели и корректности алгоритмов проведен ряд экспериментов. Вначале проводилось измерение начального сопротивления РЭ и с помощью разработанных алгоритмов детектирования границ определялись его геометрические размеры. На основе этих исходных данных выполнялось имитационное моделирование подгонки резистора с заранее заданными параметрами. Далее выполнялась подгонка реального РЭ на лазерной машине с такими же параметрами траектории реза. Путем анализа полученных данных сделан вывод о допустимости применения разработанной модели и алгоритмов для поиска оптимальных параметров траектории подгоночного реза.
В следующем эксперименте была выполнена подгонка чип-резисторов прямоугольной конфигурации в тонкопленочном и толстопленочном исполнении на лазерной установке стандартными подгоночными резами с фиксированными параметрами. Затем проводилось имитационное моделирование процесса подгонки при тех же исходных данных в разработанной программе ResModel. Для этого использовалось наложение изображений подогнанных резисторов на имитационную сеточную модель, как показано на рис. 8.
Математическое ожидание приведенной разницы между смоделированным и реально полученным значениями сопротивления составляло:
для тонкопленочных резисторов M ≈ 0,3;
для толстопленочных резисторов M ≈ 0,8.
Данная разница в результатах точности моделирования обусловлена, очевидно, особенностями технологического исполнения (в первую очередь, неравномерностью толщины резистивного слоя толстопленочных РЭ).
В ходе проведения серии экспериментов были построены ПХ и получена оценка относительных максимальных значений рассеиваемой мощности на резисторах, подогнанных стандартными типами реза в ходе исследования адекватности моделей. Затем в программе имитационного моделирования на основе алгоритма поиска оптимальных параметров траектории подгонки были определены координаты точки начала подгоночного реза и длины его плеч. После этого выполнена лазерная подгонка серии тонкопленочных чип-резисторов спроектированным резом.
Исходя из подтвержденной адекватности разработанных моделей сделан вывод о соответствии значений максимально допустимой рассеиваемой мощности в модельном и реальном РЭ. Сравнительный анализ результатов подгонки показал, что выполнение оптимальных подгоночных резов позволяет уменьшить максимальные величины токов на прилегающих к резу элементарных резисторах на 40–80 %. Таким образом, было достигнуто повышение эксплуатационных характеристик пленочных резисторов, лазерная подгонка которых выполнена с использованием полученных на основе моделирования траекторий, при допустимой разнице итогового отклонения от номинала.
Подводя итог, можно заявить, что применение программных модулей, базирующихся на разработанных алгоритмах сеточного схемного моделирования и машинного зрения, позволяет обеспечить в реальном времени:
предварительный расчет сопротивления резистивных элементов;
автоматический поиск оптимальных подгоночных траекторий на основе предложенных алгоритмов с учетом технологических и критерийных ограничений;
автоматическое оптическое детектирование, выделение и распознавание элементов топологии плат микросборок по видеоизображению.
Выполненные исследования и разработанные алгоритмы позволили построить систему лазерной подгонки, способную обеспечить современный уровень микроэлектронных технологий производства пленочных резисторов, при этом совершенствуя и подход к конструированию самих машин лазерной подгонки, и методы анализа процесса нормирования РЭ. Результаты работы в виде библиотек программных модулей были внедрены в состав серийных машин лазерной подгонки резисторов и микрообработки, подтвердив при практическом применении повышение скорости и точности подгонки резисторов и существенное снижение нагрузки на технологов и операторов. В качестве базовой была выбрана лазерная машина для подгонки резисторов модификации МЛ5-2 производства НПЦ «Лазеры и Аппаратура ТМ» (г. Зеленоград), изображенная на рис. 9.
Авторы считают, что в данной работе новыми являются следующие положения и результаты:
Предложена сеточная схемная модель токопроводящей среды РЭ при лазерной подгонке сопротивления, позволяющая определить распределение тока в проводящей среде и иные электрофизические параметры резистора.
Разработан и реализован алгоритм расчета электрофизических параметров РЭ при изменении конфигурации токопроводящей среды в процессе подгонки.
Предложены алгоритмы имитационного моделирования процесса подгонки и поиска необходимых параметров реза, обеспечивающего оптимальные характеристики РЭ по одному или нескольким критериям.
Разработаны и проанализированы алгоритмы детектирования РЭ (положения относительно базовых элементов, ориентации по углу поворота) по оптическому каналу лазерной установки в режиме реального времени.
Получены данные по проверке адекватности предложенной модели и корректности алгоритмов поиска оптимальных параметров траектории реза [16].
Разработанные модели токопроводящей среды РЭ могут применяться для резисторов с конфигурацией, отличной от прямоугольной (меандровая, трапециевидная и т. д.). Аналогичные выводы следует сделать и о применимости моделей и алгоритмов для проектирования стандартных подгоночных резов и резов произвольной конфигурации, использующихся на практике на предприятиях отечественного резисторостроения и микроэлектроники.
Применимость алгоритмов автоматической оптической фокусировки, ориентации детали по углу поворота и детектирования объектов по видеоизображению не ограничивается машинами подгонки резисторов. Аналогичные по сути задачи стоят перед разработчиками современных систем лазерной маркировки, гравировки, сварки и резки, микрообработки, прошивки отверстий и т. д. Внедрение разработанных алгоритмов в вышеуказанные системы позволит повысить технологический уровень подобных лазерных машин.
Следует отметить перспективы дальнейшей разработки темы. В исследуемых моделях не использовалась коррекция их исходных параметров в ходе выполнения процесса подгонки на лазерной установке. Однако, если производить коррекцию значения сопротивления элементарных резисторов в случае существенного отклонения значений сопротивления реального РЭ от прогнозируемого, то это позволит повысить точность моделирования и, как следствие, качество изготавливаемого резистора.
Также одним из перспективных направлений развития исследуемой темы видится накопление и анализ статистической информации не только о подгонке резисторов на плате, но и ПХ конкретных РЭ с целью учета собранных сведений о свойствах резистивной пленки. Особенно актуальными такие данные будут при подгонке толстопленочных резисторов, для которых характерны схожие неравномерности в толщине и распределении удельного сопротивления параметрах слоя на разных участках пленки. Накопленные статистические данные позволят отследить подобные закономерности с целью последующего их учета при проектировании процесса подгонки.
В качестве одного из дальнейших направлений развития контроля за ходом технологического процесса при помощи видеоканала лазерной установки следует считать автоматическую предварительную и итоговую автоматическую оптическую инспекцию. Целью предварительной инспекции является анализ состояния резистивной пленки на наличие дефектов, при обнаружении которых следует изменить параметры планируемого подгоночного реза таким образом, чтобы полученное в итоге изделие удовлетворяло требованиям регламентирующей документации. Итоговый же контроль позволяет автоматизировать процесс отбраковки изделий по различным признакам.
Следует отметить и такое важное и перспективное для повышения качества управления рассматриваемым технологическим процессом подгонки РЭ направление, как разработка методов и средств получения данных о текущем значении сопротивления резисторов с частотой, которая будет значительно превышать частоту генерации импульсов лазерного излучения. В этом случае можно будет не только отсекать результаты измерений, являющиеся следствием влияния температурного коэффициента сопротивления резистивной пленки и вносящие существенные погрешности, но и применять фильтрацию различных измерительных шумов и наводок в цепи.
ЛИТЕРАТУРА
1.
Кондрашов В. В. Автоматизация процесса лазерной подгонки пленочных резистивных элементов / В. В. Кондрашов, А. В. Копылов, О. С. Середин // Известия Тульского государственного университета. Технические науки. — 2013. — Вып. 2. — С. 146–159.
2. Кондрашов В. В. Схемные модели токопроводящей среды пленочного резистивного элемента при лазерной подгонке сопротивления / В. В. Кондрашов, А. В. Лукашенков // Вестник КГТУ им. А. Н. Туполева. — 2015. — № 4. — С. 121–128.
3. Разработка и программная реализация алгоритмов автоматической фокусировки, определения ориентации и детектирования объектов топологии плат микросборок по оптическому каналу лазерной установки: отчет о НИОКР (заключ.): / ООО ЛКАД; рук. Середин О. С. — Тула, 2015. — 65 с. — Исполн.: Копылов А. В., Ларин А. О., Кондрашов В. В. — № ГР 115052910007. — Инв. № Б2015-03.
4. Groen F., Young I., Ligthart G. A Comparison of Different Focus Functions for Use in Autofocus Algorithms // Cytometry. 1985. Vol. 91.
5. Duthaler S., Nelson B. J. Autofocusing Algorithm Selection in Computer Microscopy // 2005 IEEE/RSJ Int. Conf. Intell. Robot. Syst. IEEE, 2005, pp. 70–76.
6. Mateos-Pérez J. M. et al. Comparative Evaluation of Autofocus Algorithms for a Real-time System for Automatic Detection of Mycobacterium Tuberculosis // Cytometry. A. 2012. Vol. 81, № 3, pp. 213–221.
7. Santos A. et al. Evaluation of Autofocus Functions in Molecular Cytogenetic Analysis // Journal of Microscopy. — 1997. — Т. 188. — № 3. — С. 264–272.
8. Schlag J. F. et al. Implementation of Automatic Focusing Algorithms for a Computer Vision System with Camera Control // Robot. Inst. Tech. Rep. C. Camegie-Mellon Univ. Pittsburgh, PA. 1983. № August.
9. Vollath D. The Influence of the Scene Parameters and of Noise on the Behaviour of Automatic Focusing Algorithms // J. Microsc. 1988. Vol. 151, № 2, pp. 133–146.
10. Liu X. Y., Wang W. H., Sun Y. Dynamic Evaluation of Autofocusing for Automated Microscopic Analysis of Blood Smear and Pap Smear // J. Microsc. 2007. Vol. 227, № 1, pp. 15–23.
11. Shih L. Autofocus Survey: a Comparison of Algorithms // Electron. Imaging. 2007. Vol. 6502, pp. 1–11.
12. Castan S., Zhao J., Shen J. New Edge Detection Method Based on Exponential Filter // ICPRB. 1990. Vol. 2, № X, pp. 709–711.
13. Canny J. A Computational Approach to Edge Detection // IEEE Trans. Pattern Anal. Mach. Intell. IEEE Computer Society, 1986. Vol. 8, № 6, pp. 679–698.
14. Кондрашов В. В., Середин О. С., Копылов А. В., Ларин А. О. Детектирование объектов топологии плат микросборок по оптическому каналу лазерной установки // Техническое зрение в системах управления — 2015, тезисы научно-технической конференции, Москва, ИКИ РАН, 17–19 марта 2015. — С. 80–81.
15. Вершок Д. А. и др. Система цифровой обработки изображений слоев интегральных микросхем // Идентификация образов. — Мн. ИТК АНБ. 2001. № 2, pp. 72–87.
16. Кондрашов В. В. Управление процессом лазерной подгонки пленочных резистивных элементов на основе сеточной схемной модели токопроводящей среды: дисс. …канд. техн. наук: 05.13.01 /Владимир Владимирович Кондрашов. — Тула, 2016. — 207 с.
Отзывы читателей
