半导体生产常日分为前后两道工序， 前道工序指芯片扩散、快速热处理、硅片处理等过程，后道工序紧张包括切片、粘片、封装测试、包装等过程。成型分离是半导体封装中担保产品质量的末了一道关键工序，该制程须要对芯片及其引脚毛病等进行检测。机器视觉检测技能作为一种非打仗丈量技能，具有非打仗性、实时性、灵巧性和高可靠性等优点，在微电子制造中得到了广泛运用。但是，针对IC 后道封装工序生产过程的实时高速高精度高可靠性的质量检测和定位问题，海内干系事情还非常少。未耒智能重点剖析了利用梯形分层搜索的序贯干系讯断算法的匹配策略， 并给出了相应的测试结果。
1、芯片的识别与定位
在半导体器件外不雅观视觉检测中， 首先要根据检测项目搜索到相应区域，该区域包含待检的工具，如：引脚、定位孔、塑封体等，在图像处理上常日把这些区域称为ROI(Region Of Interest)区域，因此，能准确快速地搜索到相应的ROI 区域是有效检测的条件和担保。
1972 年，Bamea 和Silverman 提出了一种效率很高的序贯相似性检测算法(Sequential Similarity DetectionAlgorithm,SSDA)， 该算法从以下两个方面对打算效率进行了改进。
首先，算法利用的相似性度量方法打算更为大略：
式(2-2)中，S，T 分别是子图和模板中像素灰度级的均匀值。
SSDA 本色上是把向量空间中两点间的间隔作为两个向量相似程度的度量， 与归一化灰度级干系算法比较，此算法没有乘法运算，减少了打算量。
SSDA 算法常日有三种： 固定门限的SSDA 算法、单调递增门限序列的SSDA 算法及自适应门限序列的SSDA 算法。对付固定门限法和单调递增门限序列法来说，门限的选取十分困难。门限选择得好，处理速率就快，且匹配准确；门限选取过大，处理速率提高慢；选取过小，匹配又不准确。因此，在实际运用中，大多采取自适应门限序列的SSDA 算法。
因此，未耒智能采取了梯形分层搜索的序贯干系讯断算法的匹配策略， 采取梯形分层搜索缩短了匹配点的搜索事宜，而序贯干系讯断法担保了搜索的精度。该算法的基本步骤如下：
Step1: 将采集到的待识别图像和模板图像每n×n个像素的像素值加权均匀为一个像素构成第二级图像，同理在第二级图像的根本上构成第三级图像，如此迭代下去可构成一系列的图像序列， 得到一系列由小到大的图像梯形构造，如图一所示；
Step2: 由上到下逐个打算每一级图像和对应模板的相似度；
Step3: 在每一级的干系性打算的过程中，可采纳序贯干系性算法， 即把模板和要识别的图像部分分成多少小块，先打算某一块或几块的干系性Rq，如果小于设定的阈值θ，则可认为S(i,j)不是要关心的目标区域，从而进行下一个目标图像的匹配。如果Rq>θ，再拿全体S(i,j)和全体模板进行干系性打算，进一步确定对S(i,j)的取舍。通过图像搜索后，分别得到导线架中芯片确当前位置。
2、实验结果
根据以上剖析， 本文运用该算法对导线架中的芯片进行匹配考验。如图二是一个待匹配的目标图，图三是模板图。
测试采取未耒智能的工业掌握打算机，CORE E2220 双核处理器，2G DDR800 内存，利用C++ Builder 实现上述算法。通过对目标图的匹配，结果如图四所示，用时78ms，图中左上角数字为按匹配得分排序的序号。从表一中的数据可以看出，在目标图中很好地匹配到了所设定的模板， 从而为这部分引脚的检测供应了可靠、准确的ROI 区域。
3、结论
未耒智能针对IC 后道封装工序生产的高速、高精度的特点， 采取梯形分层搜索的序贯干系讯断算法的匹配策略进行芯片的识别与定位。通过实例表明，该算法很好地实现了目标图像的识别与定位， 担保了后续的各项外不雅观检测的实时性、准确性与可靠性。
