当前位置: 首页 > news >正文

自动对焦技术助力TGV检测 半导体检测精度大突破

在半导体与封装行业中,许多检测场景要求对大面积玻璃基板进行高速检测时,能达到更高的检测精度和效率。这就对检测中采用的TGV(玻璃通孔)技术有了更高要求。随着5G、人工智能(AI)以及高性能计算(HPC)等领域的需求迅速增长,基于TGV的超精密加工技术也变得愈发关键。

01

TGV检测技术的优势

TGV是一种采用玻璃基板的高密度互连方法,TGV检测主要分析的是基板中直径仅几十微米、厚度达数百微米的微小通孔,相较于传统的PCB,TGV技术可有效降低信号延迟和功耗,非常适用于高性能封装。

图片

02

TGV视觉检测方案

为了满足日益精密的检测需求,志强视觉经过多次验证推出了一套完整的TGV视觉检测方案,该方案采用高速自动对焦(AF)系统+精密调控的光源相结合的技术,确保了TGV检测质量与可靠性。为了提高TGV检测的准确性,必须重点考虑以下几个关键方面。

TGV视觉检测中的关键要素

成像系统快速响应和高速同步控制

整体成像系统中光源和相机在采集中的快速响应、高速同步成为能产生稳定数据源的首要前提条件,快速响应能确保设备的TT要求,高速同步能保证稳定的拿到有效采集数据。因此一个稳定的相机和光源控制器成为可靠检测的前提。

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

优化光源以清晰识别孔边缘

如果孔的内部轮廓模糊或边缘不清晰,将难以进行有效分析,甚至完全无法判断。因此,光源必须在准直性和波长特性方面进行优化,以确保图像清晰度和检测稳定性。

下图展示了不同光源和对焦条件下的检测效果:

  • 使用特殊背光(左图)时,缺陷孔清晰可见;

  • 而使用普通背光(中图)或未启用AF系统(右图)时,图像模糊,缺陷孔难以与正常孔区分。

图片

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合。

多层检测

基于光学三角测距的自动对焦技术可以通过分析反射激光信号,检测并区分TGV结构层。用户可选择对应特定层的峰值,并自动保持该位置的对焦。这种灵活的架构能够同时应对明确和模糊区域,结合偏移功能,使多层检测特性成为实现快速精准检测的强大方案。

图片

实时偏移功能

在TGV检测过程中,通常需要根据检测目标所在的层级调整对焦位置。基于三角测距的自动对焦模块允许用户实时输入偏移值。系统随后立即调整焦点至目标位置,无需重新搜索或重新对焦。该功能显著减少了反复校准,提高了流程效率和检测精度,尤其适用于需要反复检测类似结构的连续生产线。

图片

使用偏移进行对焦调整:从顶部层(左)到中段层(右)

投影式背光照明技术

在TGV视觉检测方案中,我们采用高性能的投影式背光照明技术,能够在各种条件下实现稳定且高质量的图像采集。投影式背光相比普通背光具有更优越的准直性,并展现出类似远心照明的光学特性,特别有效于增强孔边缘的清晰度。

http://www.lryc.cn/news/575994.html

相关文章:

  • 本地部署 WordPress 博客完整指南(基于 XAMPP)
  • Bootstrap 5学习教程,从入门到精通,Bootstrap 5 侧边栏导航(Offcanvas) 语法知识点及案例(26)
  • oracle基础审计管理
  • Django实战:自定义中间件实现全链路操作日志记录
  • IPv6配置
  • MySQL主从备份
  • 16.2 Docker多阶段构建实战:LanguageMentor镜像瘦身40%,支持500+并发1.2秒响应!
  • 2025年智能营销产品发展和应用趋势
  • uniapp消息推送
  • 向量关于基的坐标向量
  • 图像分割模型中的空间信息、上下文信息、空间路径、上下文路径到底是什么?有什么作用?
  • 【C++】atoi和std::stoi
  • redisTemplate简单实现幂等性校验
  • 微信小程序进度条progress支持渐变色
  • 【vue3】打包配置webpack压缩,哈希值设置
  • CVE-2015-5531源码分析与漏洞复现(Elasticsearch目录遍历漏洞)
  • 高斯混合模型GMMK均值(十三-1)——K均值是高斯混合模型的特例
  • macOS,切换 space 失效,向右切换space(move right a space) 失效
  • [论文阅读] 人工智能 | 真实场景下 RAG 系统的工程实践指南
  • JUC:7线程的五种状态与六种状态
  • AI歌手Yuri出道:GenAI,透露着新的AI产业机遇?
  • 增加寒武纪MLU270视频转码
  • 大数据赋能智能家居:打造你贴心的“数字管家”
  • STM32安全固件升级:使用自定义 bootloader 实现SD卡固件升级,包含固件加密
  • 【stm32】HAL库开发——CubeMX配置串口通讯(中断方式)
  • virtual box 配置ubuntu 22.04网络与SSH服务
  • A模块 系统与网络安全 第三门课 网络通信原理-2
  • 24CJ87-4:圆拱型采光排烟天窗
  • Pytorch基础函数速查
  • A Machine Learning Approach for Non-blind Image Deconvolution论文阅读