微电子封装中识别模式的应用

　　近年来，我国微电子工业开始高速的发展。在1990年，我国半导体分立器件产量仅为31.1亿只，集成电路产量为0.97亿块，直到到2000年，半导体分立器件产量增加到218.38亿只，集成电路产量为59.8亿块，十年期间分别増长了7倍和60倍。在北京、天津、上海、无锡、乐山和杭州等地，国家正在投资建设微电子生产基地。但与此同时，手工式、作坊式间隙性生产仍占很大的比例，使产品单一，档次低，一致性、稳定性差，仅用于小型企业的Tr(Transistor晶体管)封装，年产量达几十吨。

　　模式识别技术的应用，使微电子封装工艺得到迅猛的发展。如引线脚数逐年提高，平均每年増加16%,PGA的引线脚数己由300〜400条増到1000条，QFP>400条，BGA>60条，引线节距逐年下降，己由2.54—1.27—0.65—0.5—0.4—0.3—0.15—0.1mm。

　　1基本概念

　　1.1模式识别技术

　　模式是对某些感兴趣的客体的定量或结构的描述，模式类是具有某些共同特性的模式的集合。模式识别就是用计算机来模拟和实现人的识别与理解功能(包括视觉信息与听觉信息)，依靠这种自动技术，机器将自动地(或人尽量少地干涉)把待识别模式分配到各自的模式类中去。模式识别技术有统计模式识别(几何方法)，句法模式识别(结构方法)，模糊模式识别与智能模式识别。模式识别技术广泛地应用于军事(目标识别，定位)，公安安全(指纹，声纹，身份证实与识别)，地质，石油，资源，农业，医疗卫生与自动化控制中，在微电子工业生产中己得到越来越广泛的应用。

　　1.2模式识别的系统结构

　　模式识别的系统结构如图1所示，分为识别模式与训练模式两部分。先设定训练模式，对训练样本数据采集后把不同特征的非电量，如图像、声音、灰度等转变为电信号，使计算机能够辨识。后经预处理可以滤除干扰、噪声，再经特征提取与选择后进入分类器，提供分类决策。在待识别模式中对待识别样本同样经过数据采集、预处理、特征提取与选择后，从训练模式中的分类器中提取分类决策，得到识别结果。若分类器不能提供目前的分类决策，则得到错误检测，需要更新训练模式，直到重新获得正确的分类决策。

　　其中最重要的一个环节就是特征(基元)的提取与选择。这是一个去粗取精，由量测空间经过变换降维到特征空间的过程。具体到微电子封装工艺中，就是识别元件的图案并确定切割线、粘取点与焊接点等的过程。

　　2模式识别技术在微电子封装工艺中的应用

　　2.1SOT—23塑封工艺的流程及模板匹配法

　　SOT—23工艺是一种二极管、三极管或其他元器件表面贴片塑封工艺。其工艺流程如图2所示。

　　其中前几道工序，如划片、粘片与焊线对整个流程的质量与产量影响很大，而其中所依赖的关键技术就是模式识别技术。在自动化日益发展的今天，任何形式的模式识别技术与人工智能，都能使生产力更上一个新的台阶，实际上，我们剖析开来，在整套貌似先进的SOT—23生产线的工艺过程中，采用的都是比较原始、比较基本的模板匹配法。

　　模板匹配法基本上是一种统计识别方法，就是定义一个标准样本作为模板，输入待识别模式与之比较，也就是看两者是否匹配在一定的误差范围内判断结果。因为每一模板与未知样品匹配得好坏，取决于模板上各单元与样品上各相应单元的匹配与否，若分别处于模板与样品上的绝大多数单元均相匹配，则称该模板与样品“匹配得好”，反之则称“匹配不好”，并取匹配最好的作为识别结果。采用比较多的有光学模板匹配、模拟灰度和数字灰度。SOT—23工艺中采用的就是这种灰度匹配法，提取图像的灰度作为特征基元来作匹配。

　　2.2划片工序中的模式识别技术

　　由于生产的线宽微细化(0.5〜0.25/mm,开发水平0.18〜0.07/mm)，并且每四年缩小1/2，为保证数以万计的芯片得到正确、无偏离、无损伤的切割，就需要高标准的采用模式识别技术的划片机。划片工序的流程如图3所示。

　　此工序中，关键是预先对灰度与芯片和间隔宽度的调整与设置，即划片机的核心技术就是运用模式识别中对灰度特征基元的提取与识别，达到自动识别的目的。一般采用手工与自动配置相结合的方法，隔一定的时间进行人工检查以免意外损伤。即使是划片机的一些枝节技术也离不开模式识别技术，如对芯片字符、码确认的字符识别装置，就是对最典型最通用的模板识别技术的应用。

　　2.3粘片工序中的模式识别技术

　　粘片工序在SOT—23工艺流程中尤为重要，是承前启后的关键工序，因为粘片的成功数量决定了产品的产量，粘片的质量直接影响焊线工序的质量，所以粘片工序要解决的问题就是把歪粘、错粘、漏粘数目降到最低水平。由于芯片生产的差异，使不同的厂家的产品在图案灰度与边缘界定上都有很大的差异，所以提高模式识别的能力更为必要。粘片工序的流程如图4所示。

　　选好标准图案后存储到系统中，存储图案灰度就是提取一个特征，其中包括了芯片的大小尺寸和灰度等特征，以此作为模式识别的一个标准模板《，在粘取一个目标与模板比较中，就要处理歪斜、灰度过低等现象。设一个待识别目标的某项指标为石，则内-乃|<(/=1,2,3..,为对应此项的阈值)时可以判断此

　　项指标在所限制的阈值范围内，符合(或基本符合)决策要求。如果各项指标都在其限定的阈值范围内，可以判定此目标与标准模板匹配，即各项指标的总和使机器判断是丢弃或粘取此目标。

　　粘片工序中，在注意熔化温度的同时，随时调整标准模板与选择适当的灰度也尤为重要。

　　2.4焊线工序中的模式识别技术

　　用焊线机把芯片的极点与引线框架焊接起来，引出管腿。由于芯片极点区域窄小，必须保证焊点在极点区域内部，不能有一丝的越出极点边界和拉丝现象，否则，极点间就会短路。与粘片机相比，焊线机必须具有更强的识别能力，并且在一个芯片上面有不同的极点，识别的区域更为多样和细微。

　　焊线工序的识别过程类似于粘片工序。

　　对于小尺度芯片，除了正确地把握金线的熔化温度和焊点大小外，对焊点区域识别的精确把握也是焊线成品质量提高的重要一环，如果对标准模板灰度和坐标位置选择不当，就会导致大量半成品的浪费。

　　同时，焊线工序对粘片工序有很大的依赖性，如果粘片工序中的漏、歪片和熔化过度片很多，自动匹配就无法进行。若设置为忽略不能匹配的芯片，势必造成很大的浪费;若用手工单个焊接不能匹配的芯片，会影响流水线的进程。因此，粘片机与焊线机在某些参数的设置上必须协调统一。

　　3结束语

　　模式识别技术在微电子封装工艺中得到了广泛的应用，在更为复杂的封装工艺中，几乎每一个自动化进程都与模式识别技术相结合。模式识别技术的应用对于提高半导体分立元器件和集成电路的产量与质量，提高集成化和智能化进程具有重大的意义。

　　参考文献：

　　[1]沈青，汤霖.模式识别导论[M].长沙：国防科技大学出版社,1991.

　　[2]李介谷，蔡国廉.计算机模式识别技术[M].上海：上海交通大学出版社，1986.

　　[3]王祯学，古钟璧.系统辨适与自适应控制[M].成都：四川科学技术出版社，1998.