倒裝芯片具有高效信号傳輸/處理速度以及低雜散電容和寄生電感等優異特性，被廣泛應用于微電子器件。随着倒裝芯片凸點分布向高密度、超細間距方向發展，芯片凸點處容易出現微缺陷，嚴重影響着芯片的可靠性。聲顯微成像(Acoustic Micro Imaging，AMI)作為一種利用高頻超聲進行缺陷檢測的無損檢測技術，已被廣泛應用于倒裝芯片微缺陷檢測。由于聲顯微成像檢測過程中存在噪聲幹擾以及邊緣模糊的問題，嚴重影響倒裝芯片微缺陷的檢測結果。
近年來，我院李可教授團隊針對倒裝芯片檢測存在上述難題開展了深入研究。團隊在研究中發現，由于高頻超聲波存在反射、折射和透射等物理現象，焦點位置會發生改變，導緻模拟探頭焦點并不是理想的點，從而造成邊緣模糊效應。針對該問題，團隊提出了一種AMI的超分辨率盲估計方法，實現了倒裝芯片的C-Scan圖像的去模糊。該項工作不僅極大提高了倒裝芯片微缺陷檢測的分辨率和可靠性，還将稀疏模型推廣到不同的超聲成像設備，在倒裝芯片檢測領域具有巨大的潛能。
針對A-Scan時域信号受噪聲影響的問題，團隊提出了一種基于K-SVD訓練局部字典的稀疏去噪模型，該模型在訓練好的局部字典上對倒裝芯片的高頻超聲回波信号進行稀疏分解，極大提高了回波信号稀疏的分解效率。同時，該項工作可以針對具體型号的芯片來設計字典，能夠最大限度地抑制檢測信号中的噪聲，增強缺陷特征。
相關工作以“Sparse Reconstruction for Microdefect Detection of Two-Dimensional Ultrasound Image Based on Blind Estimation”，發表于國際權威頂級期刊IEEE Transactions on Industrial Electronics, 2021, 68(10): 10154-10161。論文第一作者為我院宿磊副教授，通訊作者為李可教授。該研究得到了國家自然科學基金（項目編号：51705203，51775243，11902124）的大力支持。
圖1 C線圖中的邊緣模糊效應
圖2 不同方法的去噪效果對比
