徐 鹏， 黄志红，刘飞飞，罗贤平

（江西理工大学，a.电气工程与自动化学院；b.期刊社；c.机电工程学院，江西 赣州341000）

基于Halcon的IC测试探针表面质量的机器视觉检测系统

徐 鹏a， 黄志红b，刘飞飞a，罗贤平c

（江西理工大学，a.电气工程与自动化学院；b.期刊社；c.机电工程学院，江西 赣州341000）

IC测试是集成电路生产中的重要工序，探针表面诸如划痕、凹坑等缺陷对性能测试结果影响大.文章研究了IC探针表面质量的机器视觉检测方法，讨论了灰度变换、均值滤波、区域连通、图像分割等缺陷图像处理和形状识别方法，建立了相应的探针表面质量检测系统，并基于机器视觉软件Halcon开发了探针表面质量检测系统软件.实验表明：开发的检测系统可对直径0.3～0.6 mm的IC测试探针表面质量进行快速检测评估，且系统的稳定性好、检测精度高，能有效缩短检测时间和减少检测成本.

IC测试探针；表面质量检测；机器视觉；Halcon软件

0引言

集成电路封装之前，需要将探针卡压到芯片的电极板上进行功能测试，探针是测试卡上用来与芯片进行电气连接的一种微小尺寸部件 （如图1），芯片只有通过了探针的测试才允许进行下一道工序[1].探针表面常常存在划痕和凹坑等缺陷，这些缺陷尺寸小且随机分布等.探针表面缺陷一般将影响其与测试点的接触电阻、触电压力等参数，从而影响测试过程的准确度[2].因此，在探针制造过程中，严格控制其表面质量显得非常重要.传统的探针质量检测主要依靠人工采用手动视频检测与光学比较仪结合的方法，其工作强度大、精度低等.本文将机器视觉技术引入到IC测试探针表面质量检测控制，研究基于机器视觉的IC测试探针表面质量检测方法并设计相应的机器视觉检测系统.

图1 IC测试探针示例

目前机器视觉已经被应用在各个领域，例如乳制品箱体喷码字符识别、管孔类零件尺寸测量、表面贴片电子组件检测[3-6].本文应用机器视觉软件Halcon对IC测试探针的表面缺陷图像进行分析处理，给出对应的图像处理思路和具体算法，为检测IC测试探针制造质量提供一种技术手段.

1 IC测试探针表面质量检测硬件系统

系统首先分析和总结探针表面缺陷类型、特征、产生原因，然后将探针置于输送装置上，通过工业相机依次对旋转的探针连续摄取表面图像，将采集到的图像送到计算机并使用Halcon软件进行一系列图像处理，在此基础上，再使用计算机进行实验，完善探针表面质量的缺陷评价方法.整个硬件系统主要包含探针输送与定位装置、检测背景光源、显微放大和光路系统，分拣机构和CPU.系统的架构图如图2所示，主要由中央处理单元，传送机构，分拣机构，图像采集与处理，结果输出与显示等部分组成.

图2 系统架构图

系统工作流程为：上电启动后，首先对设备进行初始化并进行自检，然后计算机主机通过软件驱动各部分开始工作，位于透明传送带上的探针在步进电机的带动下依次经过检测区，当到达检测区时，触发背向LED光源，同时面阵式CCD工业相机采集到经过光学镜头放大的图像，送到图像采集卡，将模拟信号转换为数字信号[7-8]，然后计算机主机对这些信号进行图像处理，做出是否合格的判断，如果合格就由其顺着传送带到达装袋处，不合格则由分拣机构将其放入不合格产品箱.

系统中关键硬件参数为：Intel Celeron CPU（dual Core 1.8 GHz,2 GB内存）；东莞科视自动化100 mm环形LED光源HRL-100 SR；微林ML15-110镜头；130万高分辨率CCD相机DL800C，其像元尺寸为5.2 μm*5.2 μm；分拣机构内置CPU采用ARM公司的高性能单片机STM32F103，通过串口与主机PC进行通讯获得位置信息和操作指令，进而驱动机械臂对不合格探针进行分拣.

2 IC测试探针表面缺陷检测算法

2.1 IC探针表面缺陷类型分析

探针的表面缺陷是指探针在经过抛光加工后表面存在的划痕、凹坑及破口等加工缺陷，是由于制作加工流程中或后续的不当处理而造成的，最为常见的表面缺陷是划痕和凹坑，如图3所示.划痕是零件表面上的长条形划伤，在高倍显微镜下可以看到，细划痕的底部比较平整，边缘较齐.根据划痕长度分为长划痕和短划痕，其中长度大于50 μm的划痕属于长划痕，反之则为短划痕.对于短划痕，在检测时以其累计长度进行评价.凹坑的坑内表面的粗糙度较大，边缘也不规则.对于微小探针，其凹坑缺陷面积不得大于待测面积的2%.

图3 IC探针表面缺陷类型

2.2 IC探针表面划痕缺陷检测

划痕在IC探针表面缺陷类型中占有70%以上比重，以下将以划痕缺陷为例，应用Halcon软件对其进行精确提取.软件流程如图4所示.

图4 IC探针划痕缺陷检测流程图

首先，对获取的IC探针图像进行滤波以降低噪声，常用的滤波方式有高通滤波、低通滤波器和均值滤波[9].探针表面图像会有许多孤立的噪声点，采用均值滤波可以在保留图像边缘清晰度的条件下去掉孤立的噪声点，均值滤波如图5（b）所示.为了得到更加清晰的探针表面信息，我们需要对均值滤波后的图像进行灰度值的调整，Halcon中提供的threshold算子可以手动设置调整的灰度值阈值，但是此处我们选择dyn_threshold将均值滤波前后两幅图的灰度值进行对比，设定一个分割区域，以此来实现进一步的降噪功能，同时，从背景色中提取出需要检测的特征部分.

为进行有效分割，需要对上一步经过灰度变换的图像进行区域联通（如图5（d）所示），通过对划伤部分的连通区域面积大小的设定即可判定该探针是否合格.为了排除点阵变形的影响，使选择出来的区域更加清晰，需要对图像进行膨胀处理，效果图如图5（f）所示，最终提取的划痕缺陷如图5（g）所示.

图5 应用Halcon软件对IC探针表面划痕缺陷进行检测

3 实验分析与对比

IC探针表面缺陷检测过程中，图像分割的正确与否直接决定了划痕缺陷大小和IC探针产品的合格与否[10].为评判图像分割效果，本文选择了3种常用的评价准则：区域内部均匀性准则U[11]，形状测度准则S[11]，区域对比度准则C[12].

（1）区域内部均匀性准则U

分割就是把一幅原始图像f（x，y）分成若干个内部具有相似特性的区域，所以可用分割图像中各个区域内部均匀的程度来描述分割图像的质量.设Ri为第i个区域，Ai表示其面积，则均匀性测度U为：

式（1）中，C1为整幅图像的像素数，二值图像中i为2.U值越大，分割效果越好，算法性能越好[13].

（2）形状测度准则S

好的图像分割结果应该有好的目标轮廓，区域形状测度即是衡量目标轮廓光滑程度的指标，其表达式为：

其中，fN（x，y）为邻域N（x，y）的灰度均值，t为灰度阈值，Δ（x，y）是广义梯度，C2为归一化因子，而符号函数：

S值越大，分割效果越好，对应目标轮廓光滑程度越好[13].

（3）区域对比度C

图像的二值分割是按照目标、背景的灰度差异将图像分割成两个不同区域，若这两个区域差别较大，即灰度对比度较大，则亦可推断出分割算法的优劣.设目标和背景的平均灰度分别为fO、fB，则区域对比度：

同样，灰度对比度越大，分割效果越理想[13].

为评判本文算法以及常用的LoG、Sobel、Canny算法的分割效果，定量指标对比如表1所示.

表1 分割效果定量指标对比

由表1可知，本文基于Halcon软件的IC探针缺陷分割算法在3个评判指标上都优于传统的LoG、Sobel、Canny算法的分割效果.通过分割结果以及尺寸标定，即可有效计算出划痕缺陷的长度.

4结论

本文采用机器视觉对IC测试探针表面质量进行检测，论述了将机器视觉引入到IC探针表面质量检测中的必要性和可行性，设计了IC探针表面质量检测的图像测量系统总体方案，重点使用Halcon对探针表面最常见的划痕缺陷图像进行了分析处理.最终实验结果表明，用本文所设计的系统对直径在0.3~0.6 mm的IC测试探针表面质量的检测效果相比传统的人工方法，检测速度更快，精确度更高，成本更低.随着机器视觉的进一步发展，表面质量检测的自动化程度将会得到大幅提升.

[1]黄传霞，赵勋杰.芯片测试探针X射线图像模式识别技术研究[J].计算机应用与软件,2013，30(7):244-247.

[2]徐 锐.微小零件尺寸及表面缺陷的机器视觉检测技术研究[D].赣州：江西理工大学，2009.

[3]王丽英.需求带来市场，机器视觉引来发展的春天[J].今日电子，2008（6）：67.

[4]郭佳寅,岳秀江,吴 双,等.基于HALCON的乳制品箱体喷码字符识别方法研究[J].制造业自动化,2013,35(2):21-23.

[5]黄剑航.基于HALCON的圆环区域字符识别实现[J].现代计算机,2010（7）:58-60.

[6]陈 涛.基于HALCON的表面贴装电子组件监测系统的研发[D].广州：华南理工大学，2011.

[7]孙怀远,廖跃华,周夫之,等.基于HALCON的药品包装瓶批号检测技术研究[J].包装工程,2008,29(8):71-73.

[8]Francesco Bianconi,Luca Ceccarelli,Antonio Fernández,et al.A sequential machine vision procedure for assessing paper impurities[J]. Computers in Industry,2013,65(2):325-332.

[9]龚声荣，刘纯平，王 强，等.数字图像处理与分析[M].北京：清华大学出版社，2006．

[10]Gamal ElMasry,Sergio Cubero,Enrique Moltó,José Blasco. In-linesorting ofirregularpotatoesby usingautomated computer-based machine vision system [J].Journal of Food Engineering,2012,112(1/2):60-80.

[11]Sahoo P K,Soltani S,Wong A K C.A survey of thresholding techniques[J].Computer vision,graphics,and image processing, 1988,41(2):233-260.

[12]Levine M D,Nazif A M.Dynamic measurement of computer generated image segmentations[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1985(2):155-164.

[13]葛 继.安瓿药液可见异物视觉检测机器人技术研究[D].长沙：湖南大学.

Surface quality machine vision inspection system of IC probe by the Halcon software

XU Penga，HUANG Zhi-hongb，LIU Fei-feia，LUO Xian-pingc（Jiangxi University of Science and Technology,a.School of Electrical Engineering and Automation;b.Periodical Press; c.School of Mechanical&Electrical Engineering,Gannzhou 341000,China）

IC detection is an important step in the IC manufacture.The defects of IC probe surface,such as the abrasion and dent,deeply effect on the performance detection result.In this paper,the probe surface quality inspection method by the machine vision is studied,the defect image process and shape recognization method are discussed with the gray transform,mean filtering,region link and image segmentation.The surface quality inspection system is developed by means of Halcon software.It is satisfactory that the fast and accurate detection of the IC detection probe with its diameter of 0.3~0.6 mm and the detection cycle and low cost.

IC detecting probe;surface quality inspection;machine vision;Halcon software

TP391

A

2095-3041（2014）00-0060-05

10.13265/j.cnki.jxlgdxxb.2014.01.010

2014-01-13

江西省教育厅科技项目（GJJ08271）

徐 鹏（1990- ），男，硕士研究生，主要从事机器视觉和嵌入式系统等方面的研究，E-mail:740755725@qq.com.