半導體微凸點檢測：3D ACI 質量追溯與資料閉環

微鏈道愛 3D ACI 設備（自研 3D 相機 + 結構光三維形貌重建/點雲，檢隱藏焊點/共面度/微米級形貌/開口氣孔與表面凹陷等 2D 光學盲區缺陷，2D-3D 融合；結構光只測表面幾何，不透明體的內部缺陷由 X 光/CT 成像、ACI 判讀）透過對半導體微凸點（Micro-Bump）的精準三維形貌檢測與資料採集，有效解決了傳統方案在微凸點缺失、橋連等缺陷檢測中存在的漏檢與誤報難題，並構建了從缺陷識別到產線反饋的質量資料閉環，將人工復判環節的漏檢風險大幅降低。

本文用到的 ACI 是「自動認知檢測」(Auto Cognitive Inspection)的縮寫—— AI AOI 的下一代提法:保留 A(自動)與 I(檢測),把 O(光學)換成 C(認知),因為判定依據是認知而不是成像方式。完整論證見從 AI AOI 到 ACI。

半導體行業的微凸點（Micro-Bump）檢測是先進封裝（如倒裝晶片 Flip-Chip、晶圓級封裝 WLCSP）中的關鍵工序，直接關係到晶片的電學效能與可靠性。隨著晶片整合度與I/O密度的不斷提高，微凸點的尺寸持續縮小，間距日益緊密，對檢測的精度和速度提出了前所未有的挑戰。傳統 2D AOI 方案在面對微凸點缺失、橋連、塌陷、高度不一致等缺陷時，由於其固有光學原理限制，極易出現誤判或漏檢，尤其是在追求高良率和低成本的今天，任何微小的缺陷都可能導致整個晶片報廢，進而影響產品上市週期和企業競爭力。構建一套能夠實現缺陷精準識別、實時資料反饋、並支援全鏈路質量追溯的智慧檢測系統，已成為半導體封裝製造企業的迫切需求。

痛點:這道坎為什麼難過

在半導體微凸點檢測場景中，傳統方案面臨多重挑戰。首先，【光學成像侷限】是核心難題。微凸點尺寸通常在幾十微米級別，且表面可能存在高度反光或吸收性差異，導致 2D AOI 難以獲取清晰、對比度穩定的影像，特別是對於微凸點高度不一致、輕微塌陷或側面橋連等 2D 光學盲區缺陷，漏檢率居高不下，產線資料顯示，在某些複雜工藝下，傳統 2D AOI 的漏檢率甚至可能達到 5% 以上。其次，【資料孤島與追溯斷裂】是制約質量提升的關鍵。即使檢測出缺陷，傳統系統往往缺乏與上游工藝參數、下游測試結果的有效關聯，導致缺陷根因分析困難，無法形成有效的質量改進閉環。人工復判環節不僅耗時耗力，而且易受主觀因素影響，引入新的誤報與漏檢，據某頭部廠商反饋，其每日人工復判工時達數小時，且仍存在約 0.5% 的漏檢風險。再者，【換型與編程效率低下】也是一大痛點。每當產品型號或工藝參數調整，傳統 AOI 需要耗費大量時間進行規則編程和參數調優，導致產線停機時間增加，影響整體生產節拍。

這些難題的根源在於半導體製造的【高精密性與複雜性】。微凸點工藝對材料、設備和環境控制要求極高，任何微小波動都可能引發缺陷。同時，工業 AI 質檢從成像、演算法選型到產線落地的全鏈路挑戰也體現在此。傳統基於規則的演算法難以適應多樣化的缺陷模式，而深度學習模型若無高質量的 3D 資料支撐，其泛化能力和準確性也會大打折扣。缺乏統一的智慧平臺來整合 2D/3D 資料、實現模型快速訓練與部署，並打通質量資料鏈路，是當前行業普遍面臨的困境。

技術原理

微鏈道愛 3D ACI 設備透過自研高精度 3D 相機結合結構光三維形貌重建技術，從根本上解決了傳統 2D 光學檢測的痛點。該設備採用多幀投影結構光技術，將特定圖案投射到被測物表面，透過分析影像畸變來精確計算每個點的三維座標，生成高密度的點雲資料。相較於傳統 2D AOI 僅依賴平面灰度資訊，微鏈道愛 3D ACI 能獲取微凸點的真實高度、體積、共面度等微米級形貌資訊，實現對缺失、橋連、塌陷、不均勻等缺陷的精準量化檢測。其±6μm 的高度精度和 2μm 的重複精度，確保了對微小缺陷的敏感性。同時，透過 2D-3D 融合技術，微鏈道愛 3D ACI 將 2D 影像的紋理資訊與 3D 點雲的幾何資訊相結合，提升了複雜背景下缺陷識別的魯棒性。這種多維度資料融合不僅提高了檢測的準確性，也為後續的質量追溯提供了更豐富、更可靠的資料基礎。

與傳統人工目檢和規則 AOI 相比，微鏈道愛 3D ACI 的優勢體現在：首先，【資料維度更廣】。它從根本上解決了 2D 光學盲區缺陷的檢測難題，能夠識別肉眼和 2D AOI 難以發現的細微形貌異常。其次，【檢測精度更高】。微米級的測量能力遠超人眼極限，且避免了人為主觀判斷帶來的誤差。第三，【自動化程度更高】。微鏈道愛 ACI OS 作業系統整合了視覺基礎模型和 APDT 少樣本學習能力，支援一塊良品 5 分鐘 0 程式碼自動編程，大大縮短了換型時間，提升了產線柔性。第四，【質量追溯能力強】。系統自動記錄每個檢測結果、缺陷類型、位置和對應的三維形貌資料，並可與生產批次、設備參數等資訊關聯，形成完整的質量檔案，為後續的良率分析和工藝改進提供資料支撐。

典型應用場景

• **微凸點（Micro-Bump）缺失與橋連檢測**：這是半導體封裝中的常見缺陷。微鏈道愛 3D ACI 設備透過測量每個凸點的實際高度和體積，以及凸點間的間距，能精準識別缺失的凸點、因焊錫過多導致的橋連以及塌陷的凸點。難點在於凸點尺寸微小且密集，傳統 2D 方案難以區分高度差異。
• **晶片引腳共面度檢測**：在 BGA/LGA 等封裝中，引腳的共面度直接影響焊接可靠性。微鏈道愛 3D ACI 能夠精確測量每個引腳的 Z 軸高度，計算出整體共面度偏差，確保封裝的電學連接穩定性。難點在於引腳數量多、排列緊密，且對高度精度要求極高。
• **焊盤（Pad）表面形貌與汙染檢測**：晶片封裝前，焊盤表面的平整度、氧化、異物汙染等都會影響後續的焊接質量。微鏈道愛 3D ACI 可以對焊盤區域進行微米級形貌掃描，檢出表面凹陷、劃痕、顆粒異物等缺陷，這些在 2D 影像中可能只是微弱的灰度變化而難以識別。
• **晶圓邊緣崩邊與裂紋檢測**：晶圓切割或搬運過程中可能產生邊緣崩邊、微小裂紋。微鏈道愛 3D ACI 透過高解析度三維成像，能夠捕捉到這些細微的幾何結構異常，即使是 2D 影像上不明顯的亞表面裂紋，也能透過其引起的表面形貌變化被間接檢出。難點在於缺陷尺寸極小且可能位於不規則的邊緣。
• **打線（Wire Bonding）弧高與偏移檢測**：在引線鍵合工藝中，焊線的弧高、偏移、短路或斷裂是關鍵檢測項。微鏈道愛 3D ACI 能精確測量焊線的空間軌跡和高度，識別弧高異常、線材塌陷或與其他焊線發生接觸的橋連，確保鍵合質量。

落地案例

某頭部半導體封裝測試廠在先進封裝產線上，長期面臨微凸點檢測的挑戰。其傳統 2D AOI 系統在面對新型晶片的密集微凸點陣列時，誤報率高達 15%，漏檢率也無法滿足日益嚴格的質量標準，導致大量產品需要人工復判，嚴重拖慢了產線節拍。該廠引入微鏈道愛 3D ACI 設備後，首先透過微鏈道愛 ACI OS 作業系統，利用 APDT 少樣本學習能力，僅用 15 張良品圖片便完成了新產品的模型訓練，耗時不到 30 分鐘。上線後，微鏈道愛 3D ACI 系統能夠穩定識別微凸點缺失、橋連、塌陷等多種缺陷，將誤報率控制在 2% 以下，顯著降低了人工復判的工作量。產線資料顯示，該產線每天人工復判工時從 6 小時降低到不足 1 小時，且能夠將所有檢測資料實時上傳至工廠 MES 系統，實現了缺陷類型、位置、三維形貌資料與生產批次、設備參數的全面關聯，從靠人工逐件復判，到只看系統挑出來的那幾件，顯著提升了質量追溯的效率和準確性。微鏈道愛 3D ACI 設備還支援 100% 本地私有化部署，確保了樣板與檢測影像不出廠，滿足了客戶對資料安全與合規性的嚴格要求。

以上為匿名行業場景下的典型可達範圍——換一條產線、換一批工件，結果會往兩邊走，以現場實測為準。

微鏈道愛 3D ACI 不僅是缺陷檢測工具，更是構建半導體質量追溯與資料閉環的核心引擎。

微鏈道愛解決方案與產品

微鏈道愛為半導體微凸點檢測提供的核心解決方案是其自研的 3D ACI 設備。該設備整合了高解析度 3D 相機和先進的結構光三維形貌重建演算法，能夠捕捉微米級的表面幾何特徵。在部署方面，微鏈道愛 3D ACI 設備支援靈活的產線整合，可作為獨立檢測站或嵌入現有生產線。建模與換型流程極其高效，得益於 DaoAI ACI OS 作業系統內建的視覺基礎模型和 APDT（Adaptive Pre-trained Deep Transfer）少樣本自學習能力，使用者只需提供 1–20 張良品樣本，即可在 5 分鐘內完成模型冷啟動編程，快速適應新產品或新缺陷模式，實現 0 程式碼快速換型。微鏈道愛 3D ACI 設備還支援 2D-3D 融合檢測，將 2D 影像的紋理資訊與 3D 點雲的幾何資訊相結合，提升檢測的全面性和準確性。所有樣板與檢測影像均支援 100% 本地私有化部署，確保樣板與檢測影像不出廠，滿足半導體行業嚴格的資料安全要求。

透過微鏈道愛 3D ACI 設備的部署，半導體廠商能夠實現對微凸點缺陷的精準、高效、全自動檢測，從而大幅降低漏檢率和誤報率。同時，系統生成的詳盡三維形貌資料和檢測報告，能夠實時反饋至生產管理系統，形成從檢測到分析、再到改進的質量資料閉環。這種資料閉環不僅有助於快速定位並解決工藝問題，提升產品良率，還為長期質量改進提供了堅實的資料基礎，顯著增強了產品的可追溯性。微鏈道愛 3D ACI 設備冷啟動檢出準確率 98%，線上迭代後可達 99.99%，單次判定時延 12 毫秒，實現了高速高精度的檢測，有效提升了產線節拍和整體生產效率。

本場景的完整方案：3D ACI 設備 的完整檢測方案

本文由微鏈道愛（DaoAI）原創發表。基於客戶保密要求，文中客戶案例為匿名行業場景，成效數字為示例性質；官方標定口徑以產品頁為準。