論文の概要: Fault Diagnosis in Microelectronics Attachment via Deep Learning
Analysis of 3D Laser Scans
- arxiv url: http://arxiv.org/abs/2002.10974v1
- Date: Tue, 25 Feb 2020 15:38:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 21:29:08.114675
- Title: Fault Diagnosis in Microelectronics Attachment via Deep Learning
Analysis of 3D Laser Scans
- Title（参考訳）: 3次元レーザースキャンのディープラーニング解析によるマイクロエレクトロニクスアタッチメントの故障診断
- Authors: Nikolaos Dimitriou, Lampros Leontaris, Thanasis Vafeiadis, Dimosthenis
Ioannidis, Tracy Wotherspoon, Gregory Tinker, and Dimitrios Tzovaras
- Abstract要約: ミニチュアプリント回路基板(PCB)の製造において共通の欠点は、液晶ポリマー(LCP)基板上にシリコンダイやその他のワイヤーボンディング可能な部品を付着させることである。
電子産業における現在の実践は、人間のオペレーターによる堆積した接着剤を、時間の消費と非効率の両方のプロセスで調べることである。
本研究では, 付着前後に付着した接着剤の体積を正確に推定し, 故障診断を自動化するシステムを提案する。
- 参考スコア（独自算出の注目度）: 3.685017301279423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common source of defects in manufacturing miniature Printed Circuits Boards
(PCB) is the attachment of silicon die or other wire bondable components on a
Liquid Crystal Polymer (LCP) substrate. Typically, a conductive glue is
dispensed prior to attachment with defects caused either by insufficient or
excessive glue. The current practice in electronics industry is to examine the
deposited glue by a human operator a process that is both time consuming and
inefficient especially in preproduction runs where the error rate is high. In
this paper we propose a system that automates fault diagnosis by accurately
estimating the volume of glue deposits before and even after die attachment. To
this end a modular scanning system is deployed that produces high resolution
point clouds whereas the actual estimation of glue volume is performed by
(R)egression-Net (RNet), a 3D Convolutional Neural Network (3DCNN). RNet
outperforms other deep architectures and is able to estimate the volume either
directly from the point cloud of a glue deposit or more interestingly after die
attachment when only a small part of glue is visible around each die. The
entire methodology is evaluated under operational conditions where the proposed
system achieves accurate results without delaying the manufacturing process.
- Abstract（参考訳）: ミニチュアプリント回路基板(PCB)の製造において共通の欠点は、液晶ポリマー(LCP)基板上にシリコンダイやその他のワイヤーボンディング可能な部品を付着させることである。
通常、導電性接着剤は、不足または過剰な接着剤によって生じる欠陥に付着する前に放出される。
電子産業における現在の実践は、人間のオペレーターが付着した接着剤を調べることであり、特にエラー率が高いプレプロダクション環境では、時間がかかり非効率なプロセスである。
本稿では,ダイアタッチメント前後の接着剤付着量を正確に推定し,故障診断を自動化するシステムを提案する。
この目的のために,高分解能点雲を発生させるモジュール型スキャニングシステムを配置し,その一方で3次元畳み込みニューラルネットワーク(3DCNN)である (R)egression-Net (RNet) を用いて実際の接着剤体積の推定を行う。
RNetは、他の深いアーキテクチャよりも優れており、接着剤の付着点雲から直接、または、ダイアタッチメント後に、各ダイの周囲に少量の接着剤しか見えない場合に、その体積を推定することができる。
本手法は, 製造工程を遅らせることなく, 正確な結果が得られる運用条件下で評価される。
関連論文リスト
- Investigation on domain adaptation of additive manufacturing monitoring systems to enhance digital twin reusability [12.425166883814153]
機械学習(ML)ベースのモデリングを使用したデジタルツイン(DT)は、AMプロセスの監視と制御のためにデプロイできる。
メルトプールは、プロセス監視において最もよく見られる物理現象の1つである。
本稿では,AM DTの再利用性を高めるため,異なるAM設定間の知識伝達パイプラインを提案する。
論文 参考訳（メタデータ） (2024-09-19T13:54:01Z) - YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。
本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。
大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
論文 参考訳（メタデータ） (2024-07-22T07:08:22Z) - Incomplete Multimodal Industrial Anomaly Detection via Cross-Modal Distillation [0.0]
3次元点雲とRGB画像に基づくマルチモーダル産業異常検出(IAD)は現在も進行中である。
既存の品質制御プロセスは、光学および赤外線イメージングのような高速なインライン検査と高解像度だが時間を要するニアラインキャラクタリゼーション技術を組み合わせている。
IADのためのクロスモーダル蒸留フレームワークであるCMDIADを提案する。
論文 参考訳（メタデータ） (2024-05-22T12:08:56Z) - CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳（メタデータ） (2023-09-22T06:12:02Z) - Automated Semiconductor Defect Inspection in Scanning Electron
Microscope Images: a Systematic Review [4.493547775253646]
機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。
畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。
本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
論文 参考訳（メタデータ） (2023-08-16T13:59:43Z) - Clean-NeRF: Reformulating NeRF to account for View-Dependent
Observations [67.54358911994967]
本稿では,複雑なシーンにおける3次元再構成と新しいビューレンダリングのためのクリーンネRFを提案する。
clean-NeRFはプラグインとして実装することができ、既存のNeRFベースのメソッドを追加入力なしですぐに利用することができる。
論文 参考訳（メタデータ） (2023-03-26T12:24:31Z) - Quantile Online Learning for Semiconductor Failure Analysis [0.0]
本稿では,半導体故障解析のための新しい量子オンライン学習について述べる。
提案手法は半導体デバイスレベルの欠陥,FinFETブリッジ欠陥,GAA-FETブリッジ欠陥,GAA-FET転位欠陥,および公開データベースSECOMに適用される。
提案手法は全体の86.66%の精度を達成し,GAA-FET転位欠陥データセットの15.50%を改善する2番目に高い既存手法と比較した。
論文 参考訳（メタデータ） (2023-03-13T12:34:17Z) - SolderNet: Towards Trustworthy Visual Inspection of Solder Joints in
Electronics Manufacturing Using Explainable Artificial Intelligence [70.60433013657693]
エレクトロニクス製造において、半田接合部の欠陥は様々なプリント基板部品に影響を及ぼす一般的な問題である。
半田関節の欠陥を特定・修正するために、回路基板上の半田関節は通常、訓練された人間の検査官によって手動で検査される。
本研究では,半田関節の視覚検査に適した,説明可能な深層学習に基づく視覚品質検査システムについて述べる。
論文 参考訳（メタデータ） (2022-11-18T15:02:59Z) - Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。
ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。
我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文 参考訳（メタデータ） (2022-11-01T13:58:02Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。
システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
論文 参考訳（メタデータ） (2021-01-11T08:14:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。