倒装芯片具有高效信号传输/处理速度以及低杂散电容和寄生电感等优异特性，被广泛应用于微电子器件。随着倒装芯片凸点分布向高密度、超细间距方向发展，芯片凸点处容易出现微缺陷，严重影响着芯片的可靠性。声显微成像(Acoustic Micro Imaging，AMI)作为一种利用高频超声进行缺陷检测的无损检测技术，已被广泛应用于倒装芯片微缺陷检测。由于声显微成像检测过程中存在噪声干扰以及边缘模糊的问题，严重影响倒装芯片微缺陷的检测结果。
近年来，beat365官网李可教授团队针对倒装芯片检测存在上述难题开展了深入研究。团队在研究中发现，由于高频超声波存在反射、折射和透射等物理现象，焦点位置会发生改变，导致模拟探头焦点并不是理想的点，从而造成边缘模糊效应。针对该问题，团队提出了一种AMI的超分辨率盲估计方法，实现了倒装芯片的C-Scan图像的去模糊。该项工作不仅极大提高了倒装芯片微缺陷检测的分辨率和可靠性，还将稀疏模型推广到不同的超声成像设备，在倒装芯片检测领域具有巨大的潜能。
针对A-Scan时域信号受噪声影响的问题，团队提出了一种基于K-SVD训练局部字典的稀疏去噪模型，该模型在训练好的局部字典上对倒装芯片的高频超声回波信号进行稀疏分解，极大提高了回波信号稀疏的分解效率。同时，该项工作可以针对具体型号的芯片来设计字典，能够最大限度地抑制检测信号中的噪声，增强缺陷特征。
相关工作以“Sparse Reconstruction for Microdefect Detection of Two-Dimensional Ultrasound Image Based on Blind Estimation”，发表于国际权威顶级期刊IEEE Transactions on Industrial Electronics, 2021, 68(10): 10154-10161。论文第一作者为beat365官网宿磊副教授，通讯作者为李可教授。该研究得到了国家自然科学基金（项目编号：51705203，51775243，11902124）的大力支持。
图1 C线图中的边缘模糊效应
图2 不同方法的去噪效果对比
