CC BY
102
УДК 681.513.675, 004.93
АВТОМАТИЗАЦИЯ ПРОЦЕССА ЛАЗЕРНОЙ ПОДГОНКИ ПЛЁНОЧНЫХ РЕЗИСТИВНЫХ ЭЛЕМЕНТОВ
В.В. Кондрашов, А.В. Копылов, О.С. Середин
Описывается построение системы адаптивного управления процессом лазерной подгонки резистивных элементов на основе анализа получаемой в режиме реального времени информации о ходе технологического процесса. Предлагаются методы решения подзадач, возникающих при автоматизации процесса лазерной подгонки плёночных резистивных элементов. Подробно рассматривается подзадача автоматического детектирования резистивных элементов на основе анализа видеоизображения.
Ключевые слова: лазерная подгонка, анализ изображений, автоматизация технологических процессов, плёночные резистивные элементы
Автоматизация работы установок лазерной подгонки резистивных элементов (РЭ) является необходимым средством повышения точности доводки РЭ до требуемого номинала, снижения уровня брака, сокращения временных затрат операторов и их утомляемости, и, как следствие, снижения себестоимости изделий.
Такая автоматизация требует внедрения механизмов анализа и принятия решений с минимальным участием оператора либо полностью в автоматическом режиме. Для построения системы адаптивного управления процессом лазерной подгонки с учётом получаемой в режиме реального времени информации о ходе технологического процесса необходимо решение следующих подзадач:
1) автоматическое детектирование элементов топологии платы с учетом видеоинформации в режиме реального времени;
2) автоматический выбор траектории подгонки в зависимости от технологических параметров конструкторской документации (КД) и реальных характеристик РЭ;
3) автоматическое определение точки вреза и момента начала подгонки резистора;
4) определение параметров долевого перехода по плечам траектории движения лазерного луча;
5) адаптивное изменение параметров технологического процесса в режиме реального времени при отклонении получаемых данных от данных исходной модели;
6) адаптивная пошаговая доводка резисторов до номинала;
7) автоматический контроль качества полученного реза с учетом видеоинформации в режиме реального времени [1].
Автоматическое детектирование элементов топологии платы с учетом видеоинформации в режиме реального времени. Задачу анализа места расположения лазерного луча относительно элементов топологии платы (например, положение точки вреза), решаемую в данный момент оператором, можно переложить на программно-аппаратное обеспечение. Такая необходимость связана с возросшими требованиями к быстродействию и точности систем подгонки, а также со стремлением к минимизации влияния человеческого фактора. По мнению авторов, использование видеоинформации только для визуального контроля оператором хода технологического процесса значительно ограничивает возможности существующих систем подгонки РЭ. Применение современных алгоритмов обработки и анализа изображений позволит детектировать элементы плат с точностью, позволяющей говорить о полной автоматизации данной задачи.
Входными данными будет являться набор изображений, получаемый посредством оптического канала системы подгонки (пример подобного изображения представлен на рис. 1), а выходными - информация о местоположении элементов топологии и точки лазера на плате. Последующее решение о перемещении положения лазера в случае необходимости принимается на последующих этапах обработки РЭ. Применение стандартных алгоритмов машинного зрения может быть затруднено спецификой изображений платы с топологическим рисунком на установках с современными оптическими системами и условиями их эксплуатации - значительная дис-торсия, нарушение экспозиции, расфокусировка, вследствие чего потребуется разработка новых подходов.
Рис. 1. Пример изображения, полученного посредством оптического канала системы подгонки
Предварительная обработка. Целью предварительной обработки изображения платы является повышение качества изображения, в частности, фотометрическая нормализация, удаление шумов, коррекция искаже-
147
ний оптической системы. Предполагается использование алгоритмов адаптивного сглаживания с сохранением резких перепадов яркости [2]. Результат применения такого алгоритма проиллюстрирован на рис. 2.
Рис. 2. Пример предварительной обработки изображений процедурой шумоподавления
Детектирование элементов на основе адаптивных шаблонов.
Модели, опирающиеся на шаблоны и плотности вероятностей значений характеристик внешнего вида объекта, широко распространены из-за своей относительной простоты и малых вычислительных затрат. В рамках подхода на основе активных контуров [3] сегментация выполняется путем привязки контура к границам объекта. Привязка контура обеспечивается путем минимизации функционала, который характеризует соответствие контура и гипотетических границ области изображения, занимаемой объектом. В частности, для рассматриваемой задачи под сопоставлением с шаблоном будем понимать поиск на изображении области, похожей на заданный эталон, определенный на основе конструкторской документации по данному виду изделий (рис. 3). Положение и параметры шаблона на текущем изображении вычисляются, опираясь на некоторую меру сходства, например, взаимную корреляцию.
Рис. 3. Пример активного шаблона, (различным цветом выделены элементы, положение которых подлежит оцениванию)
Детектирование элементов на основе сегментации текстур.
Изображение, получаемое оптической системой установки, может рассматриваться как текстурное изображение. Текстурой изображения называют специфический характер колебаний его яркости. Различие текстурных свойств изображений различных элементов платы, таких, как резисторы, контактные площадки, подложка и др., объясняется различием оптических свойств материалов, из которых они изготовлены. Требуется количественно оценить текстуру в окрестности каждой точки изображения в виде совокупности значений параметров некоторой математической модели и таким образом определить принадлежность данной точки к одному из типовых элементов. Таким образом, задача выделения элементов платы может быть поставлена как задача сегментации текстурных изображений. Для ее решения одним из наиболее эффективных методов является применение механизма скрытых марковских моделей [4]. Пример применения данного подхода для выделения резистивных элементов приведен на рис. 4.
Рис. 4. Пример выделения резистивных элементов на изображении путем сегментации текстур
Детектирование элементов на основе контурных методов. Выделение границ или контуров объектов является одной из наиболее часто используемых операций в анализе изображений. Этим обусловлено большое количество разработанных методов и алгоритмов выделения границ, а также множество литературы, посвященной анализу и сравнению этих методов. Обычно границам объекта соответствуют значительные изменения интенсивности на изображении. Для поиска этих изменений используются различные методы выделения границ. Важным свойством границ является их меньшая чувствительность к изменениям условий освещения по сравнению с цветовыми признаками. Алгоритмы, отслеживающие границы
объекта, обычно используют края в качестве определяющих признаков. Ввиду своей простоты и точности наиболее распространенным подходом к выделению границ является детектор Canny [5]. Использование контурного представления позволяет:
- сформировать устойчивое к изменению условий съемки представление объекта и его формы;
- использовать данное представление впоследствии для распознавания типа объекта;
- вычислять базовые характеристики объекта, такие, как площадь, периметр, форма;
- описывать объекты различных размеров - от одного элемента разложения до объектов, занимающих значительную часть площади изображения.
Результат выделения контуров на изображении платы проиллюстрирован рис. 5.
Рис. 5. Пример выделения элементов платы на основе контурных методов
Комбинирование результатов различных детекторов с целью повышения точности и надежности. Концепция комбинирования результатов работы нескольких детекторов является принципиально новой идеей, за счет использования которой можно повысить качество окончательного решения. Геометрический метод комбинирования алгоритмов детектирования учитывает только геометрическое расположение результатов детектирования без дополнительных характеристик детекторов. Методология подразумевает формализацию некоторых основополагающих определений: расстояние между результатами, средний результат, компактная группа, сгущение или кластер. Одним из перспективных подходов является, по
мнению авторов, метод одноклассовой классификации Д. Тэкса [6]. Решение о выборе в качестве окончательного результата той или иной группы принимается в зависимости от числа алгоритмов-детекторов (и/или их суммарного веса), объединенных в группы. Пример результатов такого решения приведен на рис. 6.
Рис. 6. Пример комбинирования четырех детекторов границ
Автоматический выбор траектории подгонки в зависимости от технологических параметров конструкторской документации и реальных характеристик РЭ. В существующих системах подгонки конструкторская документация задаёт геометрические размеры резисторов, в лучшем случае регламентируя параметр остаточной ширины после доводки и отступы от проводников, как это показано на рис. 7. Непосредственно выбор типа траектории, длин частей траектории и точки начала подгонки зависит от технолога либо оператора, что существенно увеличивает трудоёмкость и нагрузку на исполнителей, а также служит дополнительным источником ошибок и, как следствие, брака.
По мнению авторов, априорной информации, такой, как предварительно замеренное сопротивление, расположение точки начала подгонки резистора относительно его краёв, собственно геометрические размеры элемента (фактическая информация), остаточная ширина и отступы от проводников (нормативные требования), вполне достаточно для попытки разработки метода интеллектуального принятия решения о выборе траектории подгонки в полностью автоматическом режиме.
В зависимости от желаемой точности и сложности моделирования возможно применение различных методов, таких, как аналитический метод расчёта подгоночных характеристик, расчёт методом квадратов, расчёт с помощью сеточного метода, а также экспериментальный метод [7, 8]. Для использования последнего необходим значительный статистический материал, однако область его применения существенно выше, чем у других вышеуказанных, поскольку они применимы в основном для ограниченного числа конфигураций односекционных РЭ.
тело резистора
траектория подгонки
разрешенная для отработки зона пятно лазерного излучения
Рис. 7. Резистор с заданными по КД параметрами отработки задания
Автоматическое определение точки вреза и момента начала подгонки резистора. Нередко при подгонке резисторов возникают ситуации, когда отсчёт длины первого плеча траектории подгонки необходимо начинать строго с момента касания пятном лазера поверхности резистора. В основном такая необходимость возникает в случаях, когда первая часть траектории должна быть небольшой (порядка 20...50 мкм) либо при подгонке приёмом «Сканирование». Таким образом, подразумевается, что пятно лазерного излучения автоматически либо при помощи оператора должно располагаться, как указано на рис. 7.
Однако в случае выполнения данной задачи оператором возникает ряд трудностей, связанных, к примеру, с недостаточным качеством видеоизображения, по которому происходит ориентирование, либо с его слишком мелким масштабом. К тому же такая ручная коррекция положения пятна лазерного луча перед отработкой каждого резистора существенно повышает общее время выполнения операции подгонки и нагрузку на оператора, снижая тем самым технологичность процесса. Отсутствие же при производстве ГИС повторяемости должного уровня не позволяет позиционировать пятно и производить рез с необходимой точностью, как, например, изображено на рис. 8.
Рис. 8. Примеры ошибочной установки начальной точки вреза
Предлагаются два способа решения данной задачи. Первый опирается на анализ значения сопротивления. Используя этот вариант, оператор должен задать параметр, который представляет собой длину шага L. В начале отработки задания автоматически выполняется рез длиной L в заданном направлении траектории, после чего происходят замер сопротивления резистора и анализ ситуации. По результатам анализа делается вывод, касается ли пятно лазера поверхности резистора или нет. В случае отрицательного результата делается еще один шаг. Операция повторяется, пока анализ результатов последнего шага не будет свидетельствовать о том, что край резистора обнаружен. С этого момента точкой отсчёта траектории считается найденное положение пятна лазерного излучения.
Таким образом, в ходе поиска края резистора сравнивается сопротивление после текущего п-го шага и предыдущего (п-1)-го шага, а также среднее арифметическое значение сопротивления за (п-1) шаг и среднеквадратичное отклонение (СКО) значений. Анализ СКО и среднего арифметического значений сопротивлений применяется для устранения влияния шумов в измерительной системе.
Однако у данного способа есть и некоторые недостатки. В частности, в ситуации с медленно меняющимся сопротивлением или при получении в результате некорректных параметров отжига материала с другой структурой подобный способ нахождения края резистора будет работать неточно либо вообще некорректно. В случае с плохо пропечатанными резисторами, что нередко характерно для толстоплёночных технологий, корректность результата поиска края резистора также подлежит сомнению. Во втором же способе используются данные, получаемые по каналу видеоизображения путём их распознавания и анализа.
Определение параметров долевого перехода по плечам траектории движения лазерного луча. При решении задач по увеличению точности подгонки РЭ необходимо учитывать вопросы стабильности сопротивления, поскольку дрейф резисторов существенно ограничивает точность подгонки. Импульсное нагревание прилегающих к резу участков РЭ сопровождается, как правило, её отжигом, окислением и плавлением в прогретой зоне, а также зачастую приводит к образованию трещин в плёнке и подложке, что весьма ярко выражено при определённых сочетаниях параметров материалов подложки и плёнки с параметрами обработки. Особенно трудно исключить возникновение трещин в конце реза, что связано со вспышкой поглощения в плёнке, вызванной исчезновением плазмы в момент окончания процесса. Например, для снижения влияния таких трещин можно использовать J-рез, конец которого располагается в менее нагруженной части резистора, как показано на рис. 9, вследствие чего линии тока практически не огибают конечную точку траектории подгонки [9].
Для полного выполнения заданного реза необходимо заранее определять параметры долевого перехода по плечам траектории. Это позволит
частично уити от влияния «иретестового» значения сопротивления на конечный вид траектории.
тело резистора
[Зном = 1 кОм Яо = 830 Ом 13 = ^ = 1 кОм
тело резистора
Я* ном = 1 кОм Р*о = 830 Ом = 900 Ом 9.2 = 990 Ом Р = Рном = 1 кОм
Рис. 9. Применение долевого перехода по плечам траектории
Как видно из рис. 9, применение такого метода с указанием всего лишь двух параметров - процентов до номинала, при которых следует переходить к следующей части траектории (в данном случае это 10 и 1 % соответственно) - позволяет расположить конечную точку траектории в более безопасной части резистора, а также оставить центральную его часть без изменений.
Отметим, что такой подход позволяет повысить точность подгонки не только путём стабилизации резистора, но и за счёт использования участков траектории с медленно меняющимся сопротивлением.
Адаптивное изменение параметров технологического процесса в режиме реального времени при отклонении получаемых данных от данных исходной модели. В рассмотренных выше пунктах для моделирования процессов подгонки учитывались лишь априорные данные. Однако быстродействие современных вычислительных систем позволяет работать в режиме жесткого реального времени под управлением соответствующих операционных систем. Как следствие, предлагается использовать поступающую в каждый дискретный момент времени информацию о ходе технологического процесса для уточнения параметров с целью корректировки исходной модели.
При синтезе алгоритмов адаптивного управления процессом подгонки необходимо учитывать такие изменяющиеся данные, как сопротивление резистора и координаты места расположения пятна лазерного излучения в текущий и предыдущие моменты времени (историю изменений). Анализ истории и текущих данных позволит с большой точностью прогнозировать ситуацию и качественно моделировать процесс. Примеры данных измерений для такого моделирования приведены на рис. 10.
Рис. 10. Подгоночные характеристики резисторов при использовании типов реза: I, L, J и J с погружением
Также одной из переменных, влияющих на долговременную стабильность резисторов, является температура локальной точки. Как уже указывалось выше, нагревание периферийных по отношению к резу участков плёнки приводит к дрейфу сопротивления. Для тонких плёнок в основном причиной дрейфа является изменение характера старения материала прогретой зоны в отличие от остального материала. Для толстых же плёнок, помимо вышесказанного, существенное влияние оказывают трещины, появляющиеся в периферийных зонах [10]. Поэтому контроль температуры также важен для построения адаптивной системы управления, поскольку зачастую получение высокоточного результата в момент подгонки путём снижения скорости перемещения луча приводит к значительному дрейфу сопротивления с течением времени.
Дополнительной информацией для принятия решений при моделировании и выполнении операции подгонки будут являться накопленные статистические данные, характеризующие технологическое состояние и стабильность входных параметров изделий в обрабатываемой партии, а в более общем случае - данные об отработке аналогичных изделий.
Адаптивная пошаговая доводка резисторов до номинала. При подгонке резисторов важно учитывать фактор локального нагревания зоны воздействия лазерного излучения на резистор и подложку. Поскольку в процессе подгонки происходит измерение сопротивления РЭ в режиме реального времени, при остывании резистора значение сопротивления («холодный замер») может значительно отличаться от того, на котором остановилась подгонка («горячий замер»). Отсюда следует необходимость учёта влияния температурного коэффициента сопротивления (ТКС) материала
резистивного слоя изделия на точность итогового «посттеста». Особенно эта ситуация характерна для толстоплёночных РЭ.
Также при высоких скоростях перемещения лазерного луча в процессе подгонки необходимо учитывать некую инерционность системы в целом. За время с момента формирования измерительной системой сигнала о достижении резистором номинала до получения лазером и зеркалами гальвано сканер а сигнала о прекращении выполнения задания пятно излучения перемещается на некоторое расстояние. Это приводит к тому, что сопротивление РЭ становится выше номинала. Однако простое снижение скорости, к примеру, при достижении 99 % от номинала не позволит решить проблему, поскольку в этом случае увеличится локальный разогрев резистора.
С целью устранения влияния ТКС материала РЭ и инерционности системы на точность технологического процесса предлагается подгонять резисторы до номинала методом адаптивной пошаговой доводки [11] как вариантом подстройки с предсказанием, проиллюстрированным рис. 11. Суть метода: при достижении сопротивлением некоторого значения К0? близкого к номиналу Я, выполнение задания приостанавливается и лазер выключается. Это позволяет резистору остыть. Далее доводка производится шагами переменной длины от 1.1 до Ь2, причем на каждом п-м шаге анализируется изменение значения сопротивления за этот шаг: АЯп = Яп - Яп-\. Таким образом, длина шага уменьшается пропорционально уменьшению АЯ = Я- Яп. Между шагами также делаются паузы.
тело резистора
Рис. 11. Метод адаптивной пошаговой доводки резисторов
Применение подобного метода доводки повышает время отработки задания, однако позволяет существенно повысить точность подгонки.
Автоматический контроль качества полученного реза с учетом видеоинформации в режиме реального времени. Автоматический контроль качества позволяет, с одной стороны, без участия оператора определить соответствия РЭ основным технологическим параметрам и, с другой стороны, скорректировать результаты моделирования и расчетов параметров реза на основе оперативного анализа результатов доводки РЭ.
Решение этой задачи разбивается на четыре этапа: 1) автоматическое детектирование обработанного РЭ; 2) распознавание областей изображения, соответствующих РЭ, контактным площадкам, подложки; 3) распознавание траектории реза; 4) определение соответствия указанных зон технологическим параметрам.
Решение первого этапа аналогично первой подзадаче и может быть выполнено теми же средствами. Распознавание областей изображения на четыре класса, при реализации второго и третьего этапов требует построения модели изображения для каждого класса, включая изображение реза. Для моделирования могут быть использованы смеси нормальных распределений, марковские модели случайных полей и локальные бинарные шаблоны (LBP). Построенные модели будут служить для классификации методами одноклассовой классификации, минимизации среднего риска, ^-средних и др. Четвертый этап включает в себя определение конфигурации реза и его расположение относительно разрешенной области отработки (рис. 12), соответствие конфигурации контактных площадок КД и итоговое решение о соответствии изделия заданным требованиям или его отбраковке.
Рис. 12. Пример изображений, получаемых посредством оптического канала системы подгонки с выделением областей РЭ и реза
Таким образом, можно сделать вывод о том, что задача автоматизации процесса лазерной подгонки плёночных РЭ не только актуальна, но и требует комплексного подхода, опирающегося на современные методы получения, анализа информации и принятия решений. Только при чётком понимании этого возможно получение таких алгоритмов управления данным процессом, которые смогут обеспечить требуемую для решения со-
временных задач микроэлектроники прецизионность результатов, повышая при этом выход годных изделий и полностью исключая негативные влияния человеческого фактора.
Список литературы
1. Кондратов В.В. Задача автоматизации процесса лазерной подгонки плёночных резистивных элементов // Вестник СГТУ. 2012. № 1 (64). Вып. 2, С. 207-214.
2. Kopylov A.V. Parametric dynamic programming procedures for edge preserving in signal and image smoothing // Pattern Recognition and Image Analysis, 2005. Vol. 15. No. 1. P. 227-230.
3. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models // International Journal of Computer Vision. Springer, 1988. Vol. 1, № 4. P. 321331.
4. Копылов А.В. Алгоритмы обработки изображений на основе древовидных марковских моделей // Искусственный интеллект, № 2, 2006, C. 164168.
5. Canny, J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. IEEE Computer Society. 1986. Vol. 8. № 6. P. 679-698.
6. Ларин А.О., Середин О.С., Копылов А.В. Экспериментальное исследование моделей представления объектов в цветовом пространстве при анализе изображений // Интеллектуализация обработки информации: 9-я международная конференция. Черногория, г. Будва, 2012 г. М.: ТОРУС ПРЕСС, 2012. С. 468-471.
7. Автоматизация проектирования радиоэлектронных средств / О.В. Алексеев [и др]. М.: Высшая школа, 2000. 479 C.
8. Влах И., Сингхал К. Машинные методы анализа и проектирования схем / пер. с англ. М.: Радио и связь, 1988. 560 с.
9. Oakes M. An introduction to thick film resistor trimming by laser. // Optical engineering. 1978. Vol. 17. №3.
10. Bube K. R. Laser-induced microcrack in thick-film resistors - a problem and solution. // Amer. ceram. soc. Bull. 1975. Vol. 54. № 5. P. 528-531.
11. Albin A.G., Swenson E.S. Laser resistance from the measurement point of view // IEEE Trans. on parts, nybrids and packing. 1972. Vol. PHP-8. № 2. P.14-19.
Кондрашов Владимир Владимирович, аспирант, kondrashov.tula@gmail.com, Россия, Тула, Тульский государственный университет,
Копылов Андрей Валерьевич, канд. техн. наук, доц., and.kopylov@gmail.com, Россия, Тула, Тульский государственный университет,
Середин Олег Сергеевич, канд. физ.-мат. наук, доц., oseredin@yandex.ru, Россия, Тула, Тульский государственный университет
A UTOMA TION OF FILM RESISTORS LAZER TRIMMING V. V. Kondrashov, A.V. Kopylov, O.S. Seredin
The process of design system for adaptive control of laser resistor trimming is described. Video stream and workflow automation details are used as initial information. Several methods of image analysis and estimation of optimal laser tracks for resistor trimming are suggested.
Key words: laser trimming, image analysis, workflow automation, film resistors.
Kondrashov Vladimir Vladimirovich, postgraduate, kondrashov. tula@gmail.com, Russia, Tula, Tula State University,
Kopylov Andrey Valerievich, candidate of technical sciences, docent, and.kopylov@gmail.com, Russia, Tula, Tula State University,
Seredin Oleg Sergeevich, candidate of physical and mathematical sciences, docent, oseredin@yandex. ru, Russia, Tula, Tula State University.
УДК 004.93'11
ПАРАМЕТРИЧЕСКОЕ ПРЕДСТАВЛЕНИЕ ОБЪЕКТОВ В ЦВЕТОВОМ ПРОСТРАНСТВЕ НА ОСНОВЕ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ ПРИ МАЛОЙ НАПОЛНЕННОСТИ ВЫБОРКИ
А.В. Копылов, М.А. Ерохин
Рассматривается алгоритм параметрического представления объектов в цветовом пространстве, основанный на аппроксимации обучающей совокупности набором эллиптических цилиндров вдоль направления главной компоненты. При малой наполненности выборки возможна ситуация, когда данных учителя недостаточно для построения очередного аппроксимирующего цилиндра. В этом случае предлагается использовать метод оценивания параметров эллиптических цилиндров на основе скользящего среднего с учетом предположения о достаточной гладкости описываемой области пространства.
Ключевые слова: обучающая совокупность, распознавание образов, метод главных компонент, эллипс рассеяния.
