晶圓、先進封裝與器件外觀、字符 OCR 檢測。
從真實產線、真實場景來的反饋，是花錢買不到的。
八年駐廠、一條條產線，慢慢沉澱出來的工程經驗。
全棧自研 —— 從傳感器到世界模型，整條鏈路自己掌握。
1 億+ 真實工業場景數據，持續打磨同一個世界模型。
典型檢測點 · KEY CHECKS
晶圓表面：劃傷 / 顆粒 / 崩邊光刻與顯影缺陷引線鍵合 / 金線檢測封裝裂紋與分層Die 貼裝偏移字符與 Mark 識別
行業方案 · INDUSTRY
半導體 / 芯片
晶圓到先進封裝，微米級器件外觀與字符檢測。
客戶案例 · CASE STUDIES
半導體 / 芯片 · 晶圓到封裝
從晶圓缺陷自動分類到引線鍵合、先進封裝 —— 把過杀率壓下去，把缺陷逃逸清零。
場景 · 晶圓缺陷自動分類
某晶圓廠 · AOI 後缺陷自動分類
挑戰傳統 AOI 過杀率超 20%，洁淨室靠人工複判，良品被誤废、人力成本居高不下。
方案AI-ADC 自動分流真缺陷與 nuisance，3D AI-AOI + 世界模型泛化多類缺陷。
<2%過杀率
−90%人機比
+30%節拍
場景 · 引線鍵合後檢測
某封裝廠 · 鍵合後缺陷檢測
挑戰凹陷引線等鍵合缺陷一旦逃逸到下游，會引發重大質量事故；人工複判吞吐低。
方案AI 缺陷分類做進 AI-AOI 設備邊緣端推理，替代逐張人工複判。
98%準確率
×2吞吐
→0缺陷逃逸
場景 · 稀有缺陷少樣本
某先進封裝廠 · 罕見缺陷快速覆蓋
挑戰先進封裝新缺陷類型層出不窮，每類都凑不齊足夠樣本，傳統 CNN 難以覆蓋。
方案APDT 正樣本學習 + DaoAI World 世界模型，少量樣本即可泛化到罕見缺陷。
✓少樣本上線
>96%分類準確
~0.2%缺陷逃逸
案例為匿名行業場景，指標為微鏈道愛方案的典型可達范圍。
深度案例 · IN-DEPTH
半導體 / 芯片 · 深度案例
逐一拆解真實場景下的落地路徑 —— 行業背景、痛點、DaoAI 方案與成效。
晶圓 AOI 後缺陷自動分類：從人工複判到 AI-ADC
某晶圓廠 AOI 複判依賴人工，過杀率長期高于 20%。引入 DaoAI AI-ADC 後，過杀降至 2% 以下，複判人機比減少 90%，產線節拍提升 30%。
閱讀全文
引線鍵合後檢測：缺陷模型下沉到 AI-AOI 邊緣端
某封裝廠引線鍵合後凹陷引線等缺陷靠人工目檢，逃逸時有發生。DaoAI 把缺陷模型做進 AI-AOI 邊緣端，檢出準確率 98%，吞吐翻倍，關鍵缺陷逃逸趨零。
閱讀全文
先進封裝稀有缺陷：少樣本下的 APDT 正樣本學習
某先進封裝廠新工藝缺陷樣本凑不齊，傳統監督模型難以訓練。DaoAI 以 APDT 正樣本學習疊加世界模型泛化，稀有缺陷分類率超 96%，逃逸約 0.2%。
閱讀全文
先進封裝 Bump 檢測：3D AI-AOI 微米級查缺失與橋連
某先進封裝廠微凸點 bump 缺失與橋連難以靠 2D 灰度區分。DaoAI 3D AI-AOI 以微米級高度信息直接判定 bump 形貌，缺失與橋連檢出率顯著提升。
閱讀全文
引腳共面性與劃片崩邊：3D 視覺逐引腳量高度
某封裝廠引腳共面性與劃片崩邊靠 2D 難以量化。DaoAI 3D 視覺逐引腳測高度、逐邊查崩缺，共面性超差與崩邊漏判同步下降。
閱讀全文常見問題 · FAQ
半導體 / 芯片 · AI 視覺質檢常見問題
半導體製造中 AI 視覺能檢測哪些缺陷？
包括晶圓表面劃痕與顆粒、引線鍵合質量、芯片切割崩邊、Bump 缺失與橋連、共面度，以及罕見缺陷的自動分類（ADC）。DaoAI 在低對比與高分辨率場景下保持穩定檢出。
缺陷樣本極少、罕見缺陷難收集，AI 怎麼訓練？
DaoAI 支持少樣本（few-shot）與無監督異常檢測，只需良品或極少缺陷樣本即可建模，對從未見過的罕見缺陷也能作為異常報出。
晶圓缺陷自動分類（ADC）能替代人工複判嗎？
可以大幅替代。DaoAI ADC 將缺陷自動归類並分級，複判量顯著下降，工程師只需關注少量高風險類別，提高 SPC 決策效率。
高分辨率檢測數據量大，能否本地部署保護工藝機密？
可以。DaoAI 支持 100% 本地私有化部署，模型與晶圓數據留在廠內，滿足晶圓廠對工藝機密與數據合規的嚴格要求。