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.lqws.cn/news/549739.html

相关文章:

  • 工作台-02.代码开发
  • Linux信号机制:从入门到精通
  • [Python]-基础篇1- 从零开始的Python入门指南
  • 微调大语言模型(生成任务),怎么评估它到底“变好”了?
  • Python网安-zip文件暴力破解
  • Java:链接mysql数据库报错:CommunicationsException: Communications link failure
  • Coze API如何上传文件能得到文件的file_url
  • 缓解停车难的城市密码:4G地磁检测器如何重构车位资源分配
  • Discrete Audio Tokens: More Than a Survey
  • TensorRT-LLM的深度剖析:关键问题与核心局限性
  • Java-异常类
  • Spearman检验组间相关性及SCI风格绘图
  • MySQL之事务原理深度解析
  • [Python] -基础篇2-Python中的变量和数据类型详解
  • 运营医疗信息化建设的思路
  • 创建一个简单入门SpringBoot3项目
  • 华为云Flexus+DeepSeek征文|高可用部署 Dify 平台构建 Flux 绘画中台 Chatflow 的设计与实现
  • Re:从零开始的文件结构(融合线性表来理解 考研向)
  • 设计模式精讲 Day 15:解释器模式(Interpreter Pattern)
  • LangChain4j(20)——调用百度地图MCP服务
  • Ubuntu系统Postman资源占用高怎么办?
  • Stable Diffusion入门-ControlNet 深入理解 第二课:ControlNet模型揭秘与使用技巧
  • 【软考--软件设计师】2.程序设计语言
  • mongodb生产备份工具PBM
  • opensuse安装rabbitmq
  • Transformer
  • 将ONNX模型转换为(OPENMV可用的格式)TensorFlow Lite格式
  • Spring Cloud 微服务(服务注册与发现原理深度解析)
  • python基于Django+mysql实现的图书管理系统【完整源码+数据库】
  • uv包管理常用命令