pL級微量膠液轉移分配過程的路徑規劃方法研究

李福選，劉慧芳，2，蔣申彗，陳曦，劉占奇，常云龍

(1.沈陽工業大學機械工程學院，遼寧沈陽 110870；2.沈陽特殊材料多能場復合加工協同創新中心，遼寧沈陽 110027；3.沈陽金鋒特種刀具有限公司，遼寧沈陽 110027；4.沈陽工業大學材料科學與工程學院，遼寧沈陽 110870)

0 前言

隨著微電子和微機械領域的不斷發展，對微系統組裝技術的要求也越來越高[1-2]。其中，超微量點膠作為一種粘接技術，主要是用pL級或fL級的流體來實現連接的。并且，因其對工作環境要求低、實現簡單、應力低等優點被廣泛應用[3-5]。但是，在面對大批量生產和多個待點膠目標時，點膠系統的移液針需要按順序移動至各個待點膠位置，會產生大量重復的行程，大大增加了超微量點膠的工作時間。因此，迫切需要一種既能保證點膠的準確性又能優化點膠路徑的方法，以滿足微電子封裝中超微量點膠準確性和快速性的要求。

現有點膠機在面對多個待加工點位時，都是按照沿X軸或者Y軸方向加工。若既定的加工點位排列較為整齊，按照上述方法加工還較為高效，但在實際生產中大量的待加工點位無序排列，若還按照這種方法加工將會產生大量重復行程，導致點膠的效率降低，因此需要采用智能算法對點膠路徑進行規劃。微量點膠的路徑規劃可以看作是組合優化問題[6-7]，加工路線的數量會隨著待加工點位的增加而增多，在大量的可行解中尋找最優解，常規算法就顯得捉襟見肘。例如，遺傳算法和模擬退火算法就存在可行解構造困難、容易陷入局部最優的問題[8]。馬俊等人[9]提出采用蟻群算法進行點膠路徑規劃，但蟻群算法較為依賴初始信息素的分布且初始狀態下信息素分布較為匱乏，導致前期收斂較慢且具有盲目性，影響點膠的效率。本文作者采用改進后的遺傳-蟻群算法來進行路徑規劃。同時，隨著智能技術的快速發展，部分學者提出通過搭建視覺系統進行工件的定位工作[10-12]。因為文中的微量膠液轉移分配實驗是基于三軸驅動平臺進行的，所以采用高分辨率工業相機進行圖像采集、處理和模板匹配等操作完成定位，并通過改進的遺傳-蟻群算法進行路徑規劃，在膠滴體積達到pL級別的同時能夠快速準確地規劃出膠液轉移路徑，既保證了微量膠液轉移的準確性又能提高效率。

1 pL級微量膠液轉移平臺搭建及膠液轉移方式

1.1 微量膠液轉移平臺搭建

在微電子器件生產過程中，通常會用微量膠液轉移技術對精密器件進行封裝處理。由于精密器件的封裝對微量膠液轉移技術的出膠量和位置精度都有較高的要求，而目前常見的膠液轉移系統并不能達到相應使用要求。因此，需要搭建滿足封裝要求的微量膠液轉移平臺。有學者指出自動噴涂平臺通常由機器視覺系統、噴涂系統和驅動系統組成[13]，所以本文作者搭建的微量膠液轉移平臺主要包括機器視覺系統、膠液分配系統和驅動控制系統。其中，機器視覺系統用來觀察膠液轉移過程及采集實驗數據，由CCD工業相機、長軸鏡頭、同軸光源、圖像采集卡和上位機共同組成[14]。膠液分配系統將膠液從共體表面轉移到受體表面，由移液針、儲膠管、基面組成。驅動控制系統控制膠液分配系統的運動軌跡，由X、Y、Z軸精密驅動平臺和上位機控制系統組成。擬搭建的微量膠液轉移平臺如圖1所示。

根據擬搭建的微量膠液轉移平臺，結合實際應用要求：機器視覺系統選用CCD工業相機、4K變焦鏡頭組、配套同軸光源；膠液分配系統選用直徑數百微米的鎢針、內徑0.8 mm的玻璃毛細管、載玻片；驅動控制系統選用神津精機驅動平臺、常規性能計算機、精密微驅動控制裝置。實際搭建的微量膠液轉移平臺如圖2所示。

圖2 微量膠液轉移平臺實物

1.2 微量膠液轉移方式

膠液在轉移過程中按照供體表面與受體表面是否接觸分為接觸式膠液轉移和非接觸式膠液轉移兩種[15]。由于接觸式膠液轉移具有膠液分配量可控和適用膠液黏度范圍廣的優點，本文作者采用一種基于表面張力的超微量針轉移接觸式膠液轉移方法，并通過機器視覺和遺傳-蟻群算法對其進行路徑規劃。針轉移式膠液轉移方法由取膠、擠壓、拉伸及成膠4個階段組成，如圖3所示。

圖3 膠液轉移過程

通過移液針將儲膠管中的膠液附著在其表面，然后通過移液針的向下移動使附著在移液針尖端的膠液與受體表面接觸并將部分膠液留在受體表面形成膠滴，完成一次膠液轉移。在本文作者所搭建的平臺中，移液針固連在Z軸上，XY平臺上放置待加工工件，移液針通過Z軸電機進行上下運動完成膠液轉移工作。實際膠液轉移過程如圖4所示。轉移后膠滴直徑為微米級，體積為pL級，滿足微量膠液轉移分配的實驗要求。

圖4 膠液實際轉移過程

本文作者進行路徑規劃的目標是位于同一平面的一個個離散的點，微動平臺的XY軸根據規劃后目標的順序，將工件移動到相應位置停下，等待Z軸運動帶動移液針向下進行膠液轉移，待Z軸向上離開工件后，XY軸繼續帶動工件運動到下一個點位，如此反復直到完成作業任務。因為是離散的點且不需要連續走過多個點位，所以本文作者對于X、Y、Z軸均采用給定速度的線性插值方法，如公式(1)所示：

q(t)=a0+a1(t1-t0)

(1)

其中：q(t)表示插值后的曲線；a0表示初始時刻的位置；a1表示速度，是一個給定的常量；t0表示初始時刻；t1表示到達下一位置的時刻。

當給定速度a1后，可通過公式(2)求出a0和t1。

(2)

2 pL級微量膠液分配路徑規劃方法

為了將膠液分配到既定位置，常將移液針的運動路徑按照沿X方向或Y方向進行規劃，但是采用這種方法會使膠液轉移效率降低，因此需要采用智能算法對移液針的運動路徑進行規劃并通過視覺系統加以輔助定位，實現準確高效的自動膠液轉移分配。在微量和超微量膠液轉移過程中，需要準確快速地規劃出移液針運動路徑，所以要求智能算法的求解速度快、穩定性較好。本文作者提出了改進的遺傳-蟻群算法，利用遺傳算法前期收斂快和較強的全局搜索能力，快速得到蟻群算法的初始信息素分布，改善蟻群算法初始化速度較慢、搜索時間長的缺點。同時，引入了擇優和排名因子來擴大優秀螞蟻的優勢，避免蟻群算法后期陷入局部最優，使其能夠穩定和快速地規劃出所需路徑，降低微量和超微量膠液轉移分配所需的時間。

2.1 改進的遺傳-蟻群算法原理及流程

路徑規劃應用于微量膠液轉移分配的實質是對大量待加工位置進行規劃，找到一個最優的加工路線，從而提高點樣的效率。由于微量膠液轉移分配過程是對一個個點位進行加工，所以本文作者采用十進制編碼法對點位進行編號。將遍歷路徑總長度的倒數作為適應度函數來區分路徑的好壞，如公式(3)所示：

(3)

其中：d(ci,ci+1)表示某一段路徑的長度，共有n段路徑。

算法中的比例選擇方法采用輪盤賭法，交叉變異操作采用順序交叉法和兩點互換變異方法。

選取遺傳算法適應度較高的若干優秀解轉化為蟻群算法的部分初始信息素值，如公式(4)和(5)所示：

(4)

(5)

改進后的信息素更新規則將每只螞蟻所搜尋到的膠液分配路徑長度從小到大進行排列，只取前20%的螞蟻釋放信息素。同時，引入一個因子使排名越靠前的螞蟻釋放的信息素越多，擴大優秀螞蟻的優勢。該因子的數值與入選螞蟻的排名有關，隨著排名次序從1到0線性遞減，排名越靠前，該因子數值越大。若某次迭代中，最優個體的路徑長度大于目前已經找到的最優路徑長度時，為保證之前的最優路徑在被超越之前不被遺忘，將最優路徑的螞蟻作為第一名加入到排名當中，并將其他螞蟻的名次依次順延。最后進行全局信息素更新，如公式(6)和(7)所示：

(6)

(7)

改進的遺傳-蟻群算法流程如圖5所示。

圖5 改進遺傳-蟻群算法流程

2.2 算法初始參數選擇

融合后的遺傳-蟻群算法擁有許多初始參數，合理選擇參數可以提高算法的性能。目前每個參數的選擇沒有確切的標準，主要依靠經驗選擇。這些參數都有一個合理的范圍，如表1和表2所示。

表2 蟻群算法參數取值范圍

本文作者針對的是pL級微量膠液轉移分配的路徑規劃問題，目標數量多于50，所以螞蟻數量初選為75。其他參數在上述范圍內初選某一值，并多次調整參數，確定較優的參數組合。本文作者最終選取的參數如表3所示。

表3 遺傳-蟻群算法參數

3 微量膠液轉移的路徑規劃實驗

微量膠液轉移實驗是對微米級的待加工目標進行膠液轉移分配。因實驗條件限制，本文作者通過超景深光學顯微鏡和超微量點膠裝置制作了含有大量無序點位的待加工模板。后續的實驗都將基于這個模板進行。首先，通過工業相機對其進行圖像采集，模板和采集到的圖像如圖6所示。

圖6 待加工模板

采集到的圖像需進行圖像分割、降噪和形態學處理等圖像預處理操作[11]，保證后續實驗成功進行。預處理內容包括灰度處理、二值化、中值濾波和閉運算，其效果如圖7所示。

圖7 圖像預處理效果

預處理完成后，需要對處理后圖片進行模板匹配以確定既定點位的位置信息。模板匹配是將模板圖像與采集圖像進行相似度對比，找到最大相似度所在區域并定義為模板成功匹配區域。由于采用單模板匹配多個目標的方式會導致邊框重復，不利于位置坐標導出，因此采用NMS方式去掉重復矩形框，其效果如圖8所示。

圖8 模板匹配結果

將所得點位信息分別導入到遺傳算法、蟻群算法、遺傳-蟻群算法、沿X方向算法和沿Y方向算法得到其最優路徑圖，如圖9所示。

圖9 規劃路徑

由圖9可知：沿X方向算法和沿Y方向算法規劃的路徑有大量往復運動，經計算得出最優路徑長度分別為10 900、13 360 μm；而智能算法規劃的路徑長度相對較短，分別為4 480、4 310、4 290 μm。路徑最短的遺傳-蟻群算法相較于沿X方向算法縮短了60.6%，相較于沿Y方向算法縮短了67.9%，而另外兩種智能算法的路徑長度與遺傳-蟻群算法較接近。因此，對3種智能算法時間進行求解，得出關于路徑長度和求解時間的結果如表4所示。

表4 智能算法結果

由表4可知：遺傳算法的路徑長度和求解時間最長，而蟻群算法和遺傳-蟻群算法在這兩方面的差異較小。因此對這兩種算法的路徑長度-迭代次數進行對比，結果如圖10所示。可以看出：遺傳-蟻群算法的初始路徑長度更接近最優解，收斂速度更快，收斂到最優解所需要的迭代次數更少。因此在微量膠液轉移路徑規劃單次求解過程中，采用改進的遺傳-蟻群算法可以更快得到最優路徑。

圖10 路徑長度-迭代次數對比

除了比較單次求解的優劣外，還需要對3種智能算法在多次求解過程中的穩定性進行對比。采用3種智能算法分別進行50次路徑規劃，并在每種算法中隨機抽取15個樣本進行比較，結果如圖11所示。可以看出：遺傳算法和蟻群算法的路徑長度波動較大，求解穩定性較差，而遺傳-蟻群算法的路徑長度在最優解附近小幅波動，求解穩定性更高。

圖11 多次實驗隨機樣本圖

增加待加工目標的個數再次進行多次實驗，隨機抽取15個樣本，結果如圖12所示。可以看出：改進后的遺傳-蟻群算法依舊表現良好，所得優秀解靠近最優解，不易陷入局部最優且穩定性相對較好。

圖12 增加目標后多次實驗隨機樣本圖

路徑規劃后會生成一系列按加工順序排列的位置坐標，將其導入驅動控制系統中后，精密驅動平臺會自動按點位順序進行移動并配合膠液分配系統完成微量膠液轉移分配，結果如圖13所示。通過觀察轉移后膠滴和預設路徑可以看出每個膠滴都落在了預設路徑的節點上。驅動控制系統和膠液分配系統按照該路徑花費136.8 s完成微量膠液轉移分配工作，而按照傳統的沿X或Y方向則需269 s或318.2 s，大幅度減少了微量膠液轉移分配所需時間。

圖13 微量膠液轉移實驗結果

通過超景深光學顯微鏡觀測單個膠滴的形態，如圖14所示。轉移后膠滴完全覆蓋待加工目標，其中心點幾乎與待分配目標的中心點重合，位置精度較高，誤差產生原因跟系統誤差以及膠滴在膠液轉移過程成膠階段產生收縮有關。

圖14 顯微鏡檢測結果

膠液轉移分配的時間長短除了與規劃后路徑的質量有關外，移液針的上下運動速度和在目標位置停留的時間也直接影響作業效率。轉移后膠滴的直徑也受這兩個因素的影響，速度過快或者停留的時間太短都會使膠滴的直徑不穩定，影響膠液分配的效果，過慢又會直接增加作業的時間。文中加工后所有膠滴直徑如表5所示。根據表5可計算出膠滴的平均直徑為68.6 μm，方差為0.23，波動較小，滿足正常作業要求。波動原因也跟儲膠管中的膠液含量有關，后續可嘗試添加傳感器進行膠液體積分配方面的研究。

表5 轉移后膠滴直徑

4 結論

本文作者通過機器視覺系統和遺傳-蟻群算法解決了pL分辨率的微量膠液轉移分配路徑規劃問題，利用機器視覺系統輔助定位加上改進的遺傳-蟻群算法快速、準確和穩定地規劃出路徑，使轉移后的膠滴幾乎精確落在預設點位上，位置精度較高。膠滴平均直徑為68.6 μm且波動范圍較小，體積達到pL級。規劃后路徑相較于沿X方向規劃縮短了60.6%，相較于沿Y方向規劃縮短了67.9%，整個作業時間相較于傳統方法減少了近半，大幅度提高了工作效率，且隨著點位數目增多，文中算法依舊表現良好。