半导体微凸点检测：3D ACI 质量追溯与数据闭环

微链道爱 3D ACI 设备（自研 3D 相机 + 结构光三维形貌重建/点云，检隐藏焊点/共面度/微米级形貌/开口气孔与表面凹陷等 2D 光学盲区缺陷，2D-3D 融合；结构光只测表面几何，不透明体的内部缺陷由 X 光/CT 成像、ACI 判读）通过对半导体微凸点（Micro-Bump）的精准三维形貌检测与数据采集，有效解决了传统方案在微凸点缺失、桥连等缺陷检测中存在的漏检与误报难题，并构建了从缺陷识别到产线反馈的质量数据闭环，将人工复判环节的漏检风险大幅降低。

本文用到的 ACI 是「自动认知检测」(Auto Cognitive Inspection)的缩写—— AI AOI 的下一代提法:保留 A(自动)与 I(检测),把 O(光学)换成 C(认知),因为判定依据是认知而不是成像方式。完整论证见从 AI AOI 到 ACI。

半导体行业的微凸点（Micro-Bump）检测是先进封装（如倒装芯片 Flip-Chip、晶圆级封装 WLCSP）中的关键工序，直接关系到芯片的电学性能与可靠性。随着芯片集成度与I/O密度的不断提高，微凸点的尺寸持续缩小，间距日益紧密，对检测的精度和速度提出了前所未有的挑战。传统 2D AOI 方案在面对微凸点缺失、桥连、塌陷、高度不一致等缺陷时，由于其固有光学原理限制，极易出现误判或漏检，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导致整个芯片报废，进而影响产品上市周期和企业竞争力。构建一套能够实现缺陷精准识别、实时数据反馈、并支持全链路质量追溯的智能检测系统，已成为半导体封装制造企业的迫切需求。

痛点:这道坎为什么难过

在半导体微凸点检测场景中，传统方案面临多重挑战。首先，【光学成像局限】是核心难题。微凸点尺寸通常在几十微米级别，且表面可能存在高度反光或吸收性差异，导致 2D AOI 难以获取清晰、对比度稳定的图像，特别是对于微凸点高度不一致、轻微塌陷或侧面桥连等 2D 光学盲区缺陷，漏检率居高不下，产线数据显示，在某些复杂工艺下，传统 2D AOI 的漏检率甚至可能达到 5% 以上。其次，【数据孤岛与追溯断裂】是制约质量提升的关键。即使检测出缺陷，传统系统往往缺乏与上游工艺参数、下游测试结果的有效关联，导致缺陷根因分析困难，无法形成有效的质量改进闭环。人工复判环节不仅耗时耗力，而且易受主观因素影响，引入新的误报与漏检，据某头部厂商反馈，其每日人工复判工时达数小时，且仍存在约 0.5% 的漏检风险。再者，【换型与编程效率低下】也是一大痛点。每当产品型号或工艺参数调整，传统 AOI 需要耗费大量时间进行规则编程和参数调优，导致产线停机时间增加，影响整体生产节拍。

这些难题的根源在于半导体制造的【高精密性与复杂性】。微凸点工艺对材料、设备和环境控制要求极高，任何微小波动都可能引发缺陷。同时，工业 AI 质检从成像、算法选型到产线落地的全链路挑战也体现在此。传统基于规则的算法难以适应多样化的缺陷模式，而深度学习模型若无高质量的 3D 数据支撑，其泛化能力和准确性也会大打折扣。缺乏统一的智能平台来整合 2D/3D 数据、实现模型快速训练与部署，并打通质量数据链路，是当前行业普遍面临的困境。

技术原理

微链道爱 3D ACI 设备通过自研高精度 3D 相机结合结构光三维形貌重建技术，从根本上解决了传统 2D 光学检测的痛点。该设备采用多帧投影结构光技术，将特定图案投射到被测物表面，通过分析图像畸变来精确计算每个点的三维坐标，生成高密度的点云数据。相较于传统 2D AOI 仅依赖平面灰度信息，微链道爱 3D ACI 能获取微凸点的真实高度、体积、共面度等微米级形貌信息，实现对缺失、桥连、塌陷、不均匀等缺陷的精准量化检测。其±6μm 的高度精度和 2μm 的重复精度，确保了对微小缺陷的敏感性。同时，通过 2D-3D 融合技术，微链道爱 3D ACI 将 2D 图像的纹理信息与 3D 点云的几何信息相结合，提升了复杂背景下缺陷识别的鲁棒性。这种多维度数据融合不仅提高了检测的准确性，也为后续的质量追溯提供了更丰富、更可靠的数据基础。

与传统人工目检和规则 AOI 相比，微链道爱 3D ACI 的优势体现在：首先，【数据维度更广】。它从根本上解决了 2D 光学盲区缺陷的检测难题，能够识别肉眼和 2D AOI 难以发现的细微形貌异常。其次，【检测精度更高】。微米级的测量能力远超人眼极限，且避免了人为主观判断带来的误差。第三，【自动化程度更高】。微链道爱 ACI OS 操作系统集成了视觉基础模型和 APDT 少样本学习能力，支持一块良品 5 分钟 0 代码自动编程，大大缩短了换型时间，提升了产线柔性。第四，【质量追溯能力强】。系统自动记录每个检测结果、缺陷类型、位置和对应的三维形貌数据，并可与生产批次、设备参数等信息关联，形成完整的质量档案，为后续的良率分析和工艺改进提供数据支撑。

典型应用场景

• **微凸点（Micro-Bump）缺失与桥连检测**：这是半导体封装中的常见缺陷。微链道爱 3D ACI 设备通过测量每个凸点的实际高度和体积，以及凸点间的间距，能精准识别缺失的凸点、因焊锡过多导致的桥连以及塌陷的凸点。难点在于凸点尺寸微小且密集，传统 2D 方案难以区分高度差异。
• **芯片引脚共面度检测**：在 BGA/LGA 等封装中，引脚的共面度直接影响焊接可靠性。微链道爱 3D ACI 能够精确测量每个引脚的 Z 轴高度，计算出整体共面度偏差，确保封装的电学连接稳定性。难点在于引脚数量多、排列紧密，且对高度精度要求极高。
• **焊盘（Pad）表面形貌与污染检测**：芯片封装前，焊盘表面的平整度、氧化、异物污染等都会影响后续的焊接质量。微链道爱 3D ACI 可以对焊盘区域进行微米级形貌扫描，检出表面凹陷、划痕、颗粒异物等缺陷，这些在 2D 图像中可能只是微弱的灰度变化而难以识别。
• **晶圆边缘崩边与裂纹检测**：晶圆切割或搬运过程中可能产生边缘崩边、微小裂纹。微链道爱 3D ACI 通过高分辨率三维成像，能够捕捉到这些细微的几何结构异常，即使是 2D 图像上不明显的亚表面裂纹，也能通过其引起的表面形貌变化被间接检出。难点在于缺陷尺寸极小且可能位于不规则的边缘。
• **打线（Wire Bonding）弧高与偏移检测**：在引线键合工艺中，焊线的弧高、偏移、短路或断裂是关键检测项。微链道爱 3D ACI 能精确测量焊线的空间轨迹和高度，识别弧高异常、线材塌陷或与其他焊线发生接触的桥连，确保键合质量。

落地案例

某头部半导体封装测试厂在先进封装产线上，长期面临微凸点检测的挑战。其传统 2D AOI 系统在面对新型芯片的密集微凸点阵列时，误报率高达 15%，漏检率也无法满足日益严格的质量标准，导致大量产品需要人工复判，严重拖慢了产线节拍。该厂引入微链道爱 3D ACI 设备后，首先通过微链道爱 ACI OS 操作系统，利用 APDT 少样本学习能力，仅用 15 张良品图片便完成了新产品的模型训练，耗时不到 30 分钟。上线后，微链道爱 3D ACI 系统能够稳定识别微凸点缺失、桥连、塌陷等多种缺陷，将误报率控制在 2% 以下，显著降低了人工复判的工作量。产线数据显示，该产线每天人工复判工时从 6 小时降低到不足 1 小时，且能够将所有检测数据实时上传至工厂 MES 系统，实现了缺陷类型、位置、三维形貌数据与生产批次、设备参数的全面关联，从靠人工逐件复判，到只看系统挑出来的那几件，显著提升了质量追溯的效率和准确性。微链道爱 3D ACI 设备还支持 100% 本地私有化部署，确保了样板与检测图像不出厂，满足了客户对数据安全与合规性的严格要求。

以上为匿名行业场景下的典型可达范围——换一条产线、换一批工件，结果会往两边走，以现场实测为准。

微链道爱 3D ACI 不仅是缺陷检测工具，更是构建半导体质量追溯与数据闭环的核心引擎。

微链道爱解决方案与产品

微链道爱为半导体微凸点检测提供的核心解决方案是其自研的 3D ACI 设备。该设备集成了高分辨率 3D 相机和先进的结构光三维形貌重建算法，能够捕捉微米级的表面几何特征。在部署方面，微链道爱 3D ACI 设备支持灵活的产线集成，可作为独立检测站或嵌入现有生产线。建模与换型流程极其高效，得益于 DaoAI ACI OS 操作系统内置的视觉基础模型和 APDT（Adaptive Pre-trained Deep Transfer）少样本自学习能力，用户只需提供 1–20 张良品样本，即可在 5 分钟内完成模型冷启动编程，快速适应新产品或新缺陷模式，实现 0 代码快速换型。微链道爱 3D ACI 设备还支持 2D-3D 融合检测，将 2D 图像的纹理信息与 3D 点云的几何信息相结合，提升检测的全面性和准确性。所有样板与检测图像均支持 100% 本地私有化部署，确保样板与检测图像不出厂，满足半导体行业严格的数据安全要求。

通过微链道爱 3D ACI 设备的部署，半导体厂商能够实现对微凸点缺陷的精准、高效、全自动检测，从而大幅降低漏检率和误报率。同时，系统生成的详尽三维形貌数据和检测报告，能够实时反馈至生产管理系统，形成从检测到分析、再到改进的质量数据闭环。这种数据闭环不仅有助于快速定位并解决工艺问题，提升产品良率，还为长期质量改进提供了坚实的数据基础，显著增强了产品的可追溯性。微链道爱 3D ACI 设备冷启动检出准确率 98%，在线迭代后可达 99.99%，单次判定时延 12 毫秒，实现了高速高精度的检测，有效提升了产线节拍和整体生产效率。

本场景的完整方案：3D ACI 设备 的完整检测方案

本文由微链道爱（DaoAI）原创发表。基于客户保密要求，文中客户案例为匿名行业场景，成效数字为示例性质；官方标定口径以产品页为准。