晶圆、先进封装与器件外观、字符 OCR 检测。
AOI 后缺陷自动分类：漏判率 <2%，人工复判量降低 90%，产能提升 30%。
键合后缺陷检测：综合检出率 98%，检测节拍提速 2 倍，漏检趋近于零。
罕见缺陷快速覆盖：新缺陷类型出现后快速学习，检出率 >96%，误报仅约 0.2%。
贯穿后道全流程：从晶圆、先进封装到 Die 贴装、字符 OCR，同一套 AI 视觉全覆盖。
行业方案 · INDUSTRY
半导体 / 芯片
微链道爱 DaoAI 的半导体 / 芯片：−90% 人机比、98% 准确率。晶圆到先进封装，微米级器件外观与字符检测。
方案详解 · SOLUTION
半导体 / 芯片方案详解
一、这条线上真正难的是什么
半导体后道的问题不是"检不出"，而是"过杀"。传统 AOI 为了不放过真缺陷，把判据调得很紧，结果把大量 nuisance（无害异常）一并报出来，洁净室里只能靠人工逐张复判——过杀率可以超过两成，良品被误废，人力成本压在复判工位上。
另一面是新缺陷类型层出不穷：先进封装工艺一变，缺陷形态就换一批，每一类都凑不齐足够样本，传统 CNN 难以覆盖。而键合等工序一旦有缺陷逃逸到下游，代价按整颗器件甚至整批算。
二、方案怎么搭
先分流，再判定：AI-ADC 自动区分真缺陷与 nuisance，把人工复判量压下来，而不是继续在阈值上做取舍。
少样本覆盖新缺陷：APDT 正样本学习配合 DaoAI World 世界模型，新缺陷类型出现后用少量样本即可泛化，不必等样本攒齐。
推理放在设备边缘端：缺陷分类做进 AI-AOI 设备，替代逐张人工复判，吞吐随之上来。
产线对接：判定结果与缺陷坐标回传 MES / YMS，按批次与位置可追溯；生产数据留在厂内，不出厂。
三、机型怎么选
| 工序 | 推荐配置 | 解决的主要问题 |
|---|---|---|
| AOI 后缺陷复判 | AOI 软件（AI-ADC 分流） | 过杀率与人工复判量 |
| 晶圆表面检测 | 3D AI AOI | 划伤、颗粒、崩边的分类与定位 |
| 引线键合 / Die 贴装 | 3D AI AOI（边缘端推理） | 凹陷引线、贴装偏移与空洞 |
| 字符 / Mark OCR | 2D AI AOI + OCR / OCV | 激光打标字符的可读性与一致性 |
四、落地节奏
微链道爱的落地路径是四步：① 需求评估——先把"真缺陷"与 nuisance 的判定边界谈清楚，这是过杀率的来源；② 方案选型——按工序与洁净度要求定机型与安装方式；③ 现场部署——良品与既有缺陷库建模上线，操作员约 30 分钟上手；④ 反馈优化——复判结果回流，新缺陷类型少样本增补，模型分钟级更新。
五、成效怎么量
盯四个量：过杀率、缺陷逃逸、人工复判量、检测节拍。微链道爱已落地的半导体场景里，典型表现是——AOI 后自动分类过杀率 <2%、人工复判量降低 90%、节拍提升 30%；键合后检测准确率 98%、吞吐翻倍、缺陷逃逸趋近于零；罕见缺陷少样本上线后分类准确率 >96%、缺陷逃逸约 0.2%。
以上为匿名行业场景下我们方案的典型可达范围，具体数值随工序、器件与既有缺陷库而变，以现场实测为准。
客户案例 · CASE STUDIES
半导体 / 芯片 · 晶圆到封装
从晶圆缺陷自动分类到引线键合、先进封装 —— 把过杀率压下去，把缺陷逃逸清零。
场景 · 晶圆缺陷自动分类
某晶圆厂 · AOI 后缺陷自动分类
挑战传统 AOI 过杀率超 20%，洁净室靠人工复判，良品被误废、人力成本居高不下。
方案AI-ADC 自动分流真缺陷与 nuisance，3D AI-AOI + 世界模型泛化多类缺陷。
<2%过杀率
−90%人机比
+30%节拍
场景 · 引线键合后检测
某封装厂 · 键合后缺陷检测
挑战凹陷引线等键合缺陷一旦逃逸到下游，会引发重大质量事故；人工复判吞吐低。
方案AI 缺陷分类做进 AI-AOI 设备边缘端推理，替代逐张人工复判。
98%准确率
×2吞吐
→0缺陷逃逸
场景 · 稀有缺陷少样本
某先进封装厂 · 罕见缺陷快速覆盖
挑战先进封装新缺陷类型层出不穷，每类都凑不齐足够样本，传统 CNN 难以覆盖。
方案APDT 正样本学习 + DaoAI World 世界模型，少量样本即可泛化到罕见缺陷。
✓少样本上线
>96%分类准确
~0.2%缺陷逃逸
案例为匿名行业场景，指标为我们方案的典型可达范围。
深度案例 · IN-DEPTH
半导体 / 芯片 · 深度案例
逐一拆解真实场景下的落地路径 —— 行业背景、痛点、我们的方案与成效。
晶圆 AOI 后缺陷自动分类：从人工复判到 AI-ADC
某晶圆厂 AOI 复判依赖人工，过杀率长期高于 20%。引入 DaoAI AI-ADC 后，过杀降至 2% 以下，复判人机比减少 90%，产线节拍提升 30%。
阅读全文
引线键合后检测：缺陷模型下沉到 AI-AOI 边缘端
某封装厂引线键合后凹陷引线等缺陷靠人工目检，逃逸时有发生。DaoAI 把缺陷模型做进 AI-AOI 边缘端，检出准确率 98%，吞吐翻倍，关键缺陷逃逸趋零。
阅读全文
先进封装稀有缺陷：少样本下的 APDT 正样本学习
某先进封装厂新工艺缺陷样本凑不齐，传统监督模型难以训练。DaoAI 以 APDT 正样本学习叠加世界模型泛化，稀有缺陷分类率超 96%，逃逸约 0.2%。
阅读全文
先进封装 Bump 检测：3D AI-AOI 微米级查缺失与桥连
某先进封装厂微凸点 bump 缺失与桥连难以靠 2D 灰度区分。DaoAI 3D AI-AOI 以微米级高度信息直接判定 bump 形貌，缺失与桥连检出率显著提升。
阅读全文
引脚共面性与划片崩边：3D 视觉逐引脚量高度
某封装厂引脚共面性与划片崩边靠 2D 难以量化。DaoAI 3D 视觉逐引脚测高度、逐边查崩缺，共面性超差与崩边漏判同步下降。
阅读全文
半导体芯片引线键合后凹陷引线AI检测
本文介绍微链道爱针对半导体芯片引线键合后凹陷引线检测的AI视觉应用案例，解决传统检测痛点，提升检测效率与精度。
阅读全文
半导体芯片封装裂纹AI视觉检测成效显著
本文介绍了微链道爱针对半导体芯片封装裂纹检测的AI视觉应用案例，解决了传统检测的痛点，取得了良好的成效。
阅读全文
半导体微凸点 bump 缺失/桥连 AI 视觉检测成效
本文介绍了微链道爱针对半导体微凸点 bump 缺失/桥连的 AI 视觉检测方案，解决了传统检测的痛点，取得显著成效。
阅读全文
半导体芯片颗粒与划伤分类AI视觉检测成效
本文介绍了微链道爱针对半导体芯片颗粒与划伤分类的AI视觉应用案例，涵盖用户场景、痛点、技术原理、解决方案及量化成效。
阅读全文
半导体晶圆图缺陷模式AI视觉检测成效显著
在半导体行业，晶圆图缺陷检测是保障产品质量的关键环节。微链道爱凭借先进技术为该难题提供有效方案，显著提升检测效率与精度。
阅读全文
半导体芯片引脚与划片缺陷AI视觉检测成效显著
在半导体芯片生产中，引脚与划片缺陷检测至关重要。微链道爱利用先进AI视觉技术，为半导体芯片检测提供高效准确解决方案，显著提升检测成效。
阅读全文
半导体 die attach 空洞检测本地化部署方案
本文介绍了微链道爱针对半导体 die attach 空洞检测的本地化部署解决方案，解决了客户在检测精度和数据合规方面的痛点。
阅读全文
半导体芯片激光打标字符检测新突破
本文介绍了微链道爱针对半导体芯片激光打标字符检测的解决方案，解决了传统方法的痛点，取得显著成效。
阅读全文
半导体晶圆边缘缺陷在线全检方案
本文介绍了微链道爱针对半导体晶圆边缘缺陷检测的解决方案，解决了传统抽检的痛点，实现高效精准全检。
阅读全文
半导体光刻图形缺陷AI视觉检测成效显著
本文介绍了微链道爱针对半导体光刻图形缺陷的AI视觉检测解决方案，包括用户场景、痛点、技术原理、产品介绍和量化成效。
阅读全文
半导体先进封装稀有缺陷少样本检测方案
在半导体先进封装领域，稀有缺陷少样本检测是行业难题。微链道爱凭借先进技术和产品，有效解决该问题，提升检测准确性和生产效率。
阅读全文
半导体晶圆 AOI 后缺陷自动分类解决方案
本文介绍了微链道爱为半导体晶圆 AOI 后缺陷自动分类提供的解决方案，解决了传统方法在缺陷分类上的痛点，实现了高效准确的缺陷分类。
阅读全文常见问题 · FAQ
半导体 / 芯片 · AI 视觉质检常见问题
半导体制造中 AI 视觉能检测哪些缺陷？
包括晶圆表面划痕与颗粒、引线键合质量、芯片切割崩边、Bump 缺失与桥连、共面度，以及罕见缺陷的自动分类（ADC）。DaoAI 在低对比与高分辨率场景下保持稳定检出。
缺陷样本极少、罕见缺陷难收集，AI 怎么训练？
DaoAI 支持少样本（few-shot）与无监督异常检测，只需良品或极少缺陷样本即可建模，对从未见过的罕见缺陷也能作为异常报出。
晶圆缺陷自动分类（ADC）能替代人工复判吗？
可以大幅替代。DaoAI ADC 将缺陷自动归类并分级，复判量显著下降，工程师只需关注少量高风险类别，提高 SPC 决策效率。
高分辨率检测数据量大，能否本地部署保护工艺机密？
可以。DaoAI 支持 100% 本地私有化部署，晶圆数据留在厂内，满足晶圆厂对工艺机密与数据合规的严格要求。