РОЗРОБЛЕННЯ ІНТЕЛЕКТУАЛЬНОГО МЕТОДА КОНТРОЛЯ ЯКОСТІ PAD КОНТАКТІВ ЦИФРОВОГО ДВІЙНИКА FEK DELVOTEC 6400 ДЛЯ МОДЕЛЮВАННЯ ПРОЦЕСУ КЛИНОВОГО ЗВАРЮВАННЯ У МІКРОЕЛЕКТРОНІЦІ
DOI:
https://doi.org/10.26906/SUNZ.2026.3.011Keywords:
цифровий двійник, контактні площадки, клинове зварювання, комп'ютерний зір, нейронні мережі, контроль якості, математичне моделювання, мікроелектроніка, автоматизований контроль, цифрова обробка зображеньAbstract
Об'єктом дослідження є процес автоматизованого контролю якості контактних площадок у цифровому двійнику обладнання FEK Delvotec 6400 для моделювання технологічного процесу клинового зварювання у мікроелектроніці. Предметом дослідження є методи, математичні моделі та алгоритмічне забезпечення інтелектуального контролю якості контактних площадок цифрового двійника обладнання FEK Delvotec 6400 для моделювання процесу клинового зварювання у мікроелектроніці. Метою роботи є розроблення інтелектуального методу автоматизованого оцінювання стану контактних площадок, що забезпечує підвищення точності позиціонування, достовірності цифрового моделювання та якості прийняття рішень під час виконання технологічного процесу. Для досягнення поставленої мети виконано розроблення математичних моделей формування зображення технічного зору, калібрування координатного простору, нейромережевого розпізнавання контактних площадок і реперних міток, уточнення координат центрів, координатних перетворень, автоматичної корекції траєкторії посадки дроту, оцінювання точності позиціонування та інтегральної перевірки достовірності результатів комп'ютерного зору перед використанням у цифровому двійнику. Методично дослідження ґрунтується на використанні математичного моделювання, сучасних методів комп'ютерного зору, глибокого навчання, згорткових нейронних мереж, детекторів об'єктів, цифрової обробки зображень, автоматизованого аналізу геометричних параметрів контактних площадок і чисельного моделювання. Для експериментальної перевірки сформовано набір аугментованих зображень контактних площадок, виконано навчання нейромережевої моделі та проведено серію експериментів із визначення повноти виявлення контактних площадок, точності локалізації їх центрів, похибки вимірювання геометричних параметрів, достовірності класифікації дефектів, інтегрального індексу валідації цифрового двійника та часу обробки одного зображення. Отримані результати підтвердили високу ефективність запропонованого підходу, забезпечивши повноту виявлення контактних площадок до 100 %, похибку локалізації центрів у межах 1,35–3,05 мкм, похибку визначення геометричних параметрів до 4,7 %, високий рівень достовірності класифікації дефектів та час обробки одного зображення, що не перевищує 50 мс. Практична цінність роботи полягає у можливості інтеграції запропонованого методу до цифрового двійника FEK Delvotec 6400 для автоматизованого контролю якості контактних площадок, підвищення точності моделювання процесу клинового зварювання, своєчасного виявлення дефектів і забезпечення стабільності технологічного процесу у мікроелектронному виробництві.Downloads
References
1. Pham, H. S. T., and Li, S. B. (2026), “Towards Industry 5.0: a conceptual model for leading organisational change in digital age”, Journal of Organizational Change Management, vol. 39(1), pp. 125–161, doi: https://doi.org/10.1108/JOCM-03-2025-0264 DOI: https://doi.org/10.1108/JOCM-03-2025-0264
2. Невлюдов, І. Ш., Євсєєв, В. В., Максимова. C. C. (2026), Industry 5.0 та колаборативна робототехніка: динамічний опис навколишнього середовища роботів-маніпуляторів з використанням мови Python, монографія, Видавництво Іванченка І. С., Харків, 279 с., doi: https://doi.org/10.30837/978-617-8332-95-2 DOI: https://doi.org/10.30837/978-617-8332-95-2
3. Buchner, C., Riedle, B., Krauß, J., Seidler, C. T., Huber, M. F., Eigenbrod, H., and Schlicht, F. (2026), “Machine learningdriven multi-objective parameter optimization for sustainable, efficient, and high-quality ultrasonic wire bonding”, Journal of Intelligent Manufacturing, vol. 37(4), pp. 1681–1699, doi: https://doi.org/10.1007/s10845-025-02615-3 DOI: https://doi.org/10.1007/s10845-025-02615-3
4. Yuan, T., Zhou, M., Jiang, W., and Yi, D. (2026), “High-curvature bonding wire metrology via hemispherical light homogenization and gradient optimization”, Optics and Laser Technology, 193, doi: https://doi.org/10.1016/j.optlastec.2025.114177 DOI: https://doi.org/10.1016/j.optlastec.2025.114177
5. Nevliudov, I., Yevsieiev, V., Horovyi, K. (2026), “Analysis of the FEK Delvotec 6400 Wedge Bonding System”, Débats scientifiques et orientations prospectives du développement scientifique, pp. 89–92, doi: https://doi.org/10.36074/logos-05.06.2026 DOI: https://doi.org/10.36074/logos-05.06.2026.019
6. Nevliudov, I., Yevsieiev, V., Horovyi, K. (2026), “Analysis of the Technological Process of Wedge Bonding Using FEK Delvotec 6400 in Microelectronics”, Current scientific goals, approaches and challenges, Dresden, Federal Republic of Germany: International Center of Scientific Research, pp. 117–119, doi: https://doi.org/10.36074/scientia-05.06.2026 DOI: https://doi.org/10.36074/scientia-05.06.2026
7. Kumar, S. (2026), “Improving Inspection Reliability of Corner Weld Joints Using Phased Array Ultrasonic Testing: A Review for Failure Prevention”, Journal of Failure Analysis and Prevention, doi: https://doi.org/10.1007/s11668-026-02413-w DOI: https://doi.org/10.1007/s11668-026-02413-w
8. Li, C., Liu, Z., Ji, H., Ma, J., Wang, Z., Chen, R., and Wu, H. (2026), “Innovative method for the vacuum vessel welds NDT of compact fusion reactor”, Fusion Engineering and Design, vol. 228, doi: https://doi.org/10.1016/j.fusengdes.2026.115767 DOI: https://doi.org/10.1016/j.fusengdes.2026.115767
9. Huang, J., Huang, Z., Li, C., and Liu, J. (2026), “Research on defect detection method of motor control board based on image processing”, Journal of Computational and Applied Mathematics, vol. 473, doi: https://doi.org/10.1016/j.cam.2025.116916 DOI: https://doi.org/10.1016/j.cam.2025.116916
10. Yue, H., Wang, Q., Zhao, M., Yang, Z., and Lu, L. (2026), “Advancements in digital twin applications for intelligent construction quality management”, Journal of Construction Engineering and Management, vol. 152(1), 03125011, doi: https://doi.org/10.1061/JCEMD4.COENG-17126 DOI: https://doi.org/10.1061/JCEMD4.COENG-17126
11. Yu, D., Cao, Y., and Zhao, Q. (2025), “Detection and analysis of asphalt pavement texture depth based on digital image analytics technology”, International Journal of Pavement Research and Technology, vol. 18(3), pp. 628–637, doi: https://doi.org/10.1007/s42947-023-00368-x DOI: https://doi.org/10.1007/s42947-023-00368-x
12. Ahmadpour, S. S., Avval, D. B., Navimipour, N. J., Rasmi, H., Heidari, A., Kassa, S., and Patidar, M. (2025), “A new median filter circuit design based on atomic silicon quantum-dot for digital image processing and IoT applications”, IEEE Internet of Things Journal, doi: https://doi.org/10.1109/JIOT.2025.3553706 DOI: https://doi.org/10.1109/JIOT.2025.3553706
13. Nevliudov, I., Yevsieiev, V., and Horovyi, K. (2026), “Model of the Technological Process of Wedge Bonding Based on FEK Delvotec 6400 in the Production of Hybrid Electronic Modules”, Proceedings of the XII International Scientific and Theoretical Conference, International Center of Chicago, USA, pp. 170–173, doi: https://doi.org/10.36074/scientia-12.06.2026 DOI: https://doi.org/10.36074/scientia-12.06.2026
14. Martini, G., Paroli, B. and Milani, P. (2025), “Non-linear reconfigurable threshold logic gates based on nanostructured metallic films”, npj Unconv. Comput , vol. 2(23), doi: https://doi.org/10.1038/s44335-025-00037-1 DOI: https://doi.org/10.1038/s44335-025-00037-1
15. (2026), Bonder 6400 User Guide v3.0, URL: https://www.scribd.com/document/827992279/6400GB
16. Apostolidis, K. D., and Papakostas, G. A. (2025), “Delving into yolo object detection models: Insights into adversarial robustness”, Electronics, vol. 14(8), 1624, doi: https://doi.org/10.3390/electronics14081624 DOI: https://doi.org/10.3390/electronics14081624
17. Abu-Jassar, A. T., Attar, H., Amer, A., Lyashenko, V., Yevsieiev, V., and Solyman, A. (2025), “Development and investigation of vision system for a small-sized mobile humanoid robot in a smart environment”, International Journal of Crowd Science, vol. 9(1), pp. 29–43, doi: https://doi.org/10.26599/IJCS.2023.9100018 DOI: https://doi.org/10.26599/IJCS.2023.9100018
18. Abu-Jassar, A., Attar, H., Hafez, M., Hamdan, M., Yevsieiev, V., and Lyashenko, V. (2025), “Adaptive System for Constructing a Mobile Robot Trajectory Using Neural Network and Stochastic Optimizer”, 2025 26th International Arab Conference on Information Technology, IEEE, pp. 422–428, doi: https://doi.org/10.1109/ACIT68900.2025.11510567 DOI: https://doi.org/10.1109/ACIT68900.2025.11510567
19. Nguyen, D. T., Nguyen, T. N., Kim, H., and Lee, H. J. (2019), “A high-throughput and power-efficient FPGA implementation of YOLO CNN for object detection”, IEEE Trans. on VLSI Systems, vol. 27(8), pp. 1861–1873, doi: https://doi.org/10.1109/TVLSI.2019.2905242 DOI: https://doi.org/10.1109/TVLSI.2019.2905242
20. Wei, G., Hou, Y., Cui, Q., Deng, G., Tao, X., and Yao, Y. (2018), “YOLO acceleration using FPGA architecture”, 2018 IEEE/CIC Int. Conf. on Communications in China, IEEE, pp. 734–735, doi: https://doi.org/10.1109/ICCChina.2018.8641256 DOI: https://doi.org/10.1109/ICCChina.2018.8641256
21. Sapkota, R., and Karkee, M. (2025), “Ultralytics YOLO evolution: An overview of YOLO26, YOLO11, YOLOv8 and YOLOv5 object detectors for computer vision and pattern recognition”, arXiv, preprint arXiv:2510.09653, doi: https://doi.org/10.48550/arXiv.2510.09653
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Igor Nevliudov, Vladyslav Yevsieiev, Olena Chala, Kyrylo Horovyi
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
