在半導體芯片生產過程中，封裝裂紋檢測至關重要。微鏈道愛憑借先進的AI視覺技術，為半導體行業提供了高效的解決方案。
用戶場景：某頭部半導體芯片廠商，在其芯片封裝產線的封裝工序中，主要產品為各類高性能半導體芯片。檢測對象為芯片封裝後的裂紋，這些裂紋可能出現在封裝體的表面、邊緣等位置，裂紋的存在會影響芯片的電氣性能和可靠性，甚至導致芯片失效。
痛點：傳統檢測方法在芯片封裝裂紋檢測中面臨诸多困境。一方面，漏檢率較高，約為3%，這意味着部分有裂紋的芯片可能流入市場，給企業帶來潛在的售後風險和聲誉損失。另一方面，誤報問題嚴重，誤報率高達40%，大量的誤報使得有限的複檢資源被分散，導致複檢效率低下，人力成本大幅增加。而且，傳統檢測方法在換型時需要重新進行大量的編程和調試，換型時間長達30min，嚴重影響了產線的靈活性和生產效率。此外，對于一些微小的裂紋和低對比度的缺陷，傳統方法難以準確識別，無法滿足企業對產品質量的嚴格要求。
技術原理
微鏈道愛采用了先進的AI視覺算法和成像技術來解決芯片封裝裂紋檢測問題。在算法方面，利用深度學習算法進行特征提取和模式識別。深度學習算法能夠自動從大量的樣本數據中學習到裂紋的特征和模式，通過多層神經網絡的訓練，能夠準確地識別出不同類型、不同位置的裂紋。與傳統的基于規則的算法相比，深度學習算法具有更強的適應性和魯棒性，能夠處理複雜多變的圖像數據。
在成像方面，DaoAI 2D / 3D AI AOI設備采用自研3D相機進行圖像采集，結合三維形貌重建技術，能夠獲取芯片封裝表面的三維信息。三維形貌信息可以更全面地反映裂紋的特征，包括裂紋的深度、寬度和形狀等，從而提高裂紋檢測的準確性。對于一些隱藏在封裝內部或者低對比度的裂紋，3D成像技術能夠有效增強其特征，使其更容易被檢測到。
- 深度學習算法的多層神經網絡結構，能夠逐層提取圖像的高級特征，從底層的邊緣、紋理特征到高層的語義特征，使得對裂紋的識別更加準確和細致。
- 3D相機的高分辨率和高精度成像能力，確保了采集到的圖像包含足夠的細節信息，為後續的分析和檢測提供了可靠的數據基礎。
- 三維形貌重建技術通過對多個視角的圖像進行處理和分析，能夠準確地重建出芯片封裝表面的三維形狀，從而更清晰地展現裂紋的形態和特征。
- 語義誤報過濾功能利用深度學習模型對圖像進行語義理解，能夠準確地區分真實的裂紋和類似裂紋的幹擾因素，從而有效降低誤報率。
微鏈道愛解決方案與產品介紹
微鏈道愛提供了一套完整的解決方案，主要涉及DaoAI AI AOI軟件系統和DaoAI 2D / 3D AI AOI設備。DaoAI AI AOI軟件系統具有強大的特征認知能力，基于視覺基礎模型，能夠快速準確地識別芯片封裝裂紋。該系統采用APDT正樣本/少樣本學習技術，僅需1/10張良品，即可在5min內完成0代碼自動編程，大大縮短了換型時間。同時，系統還具備語義誤報過濾功能，能夠有效減少誤報，將有限的複檢資源聚焦到真問題上。
DaoAI 2D / 3D AI AOI設備則是硬件核心，其自研3D相機結合三維形貌重建技術，能夠檢測隱藏焊點、共面度和微米級形貌等。在芯片封裝裂紋檢測中，該設備能夠清晰地捕捉到裂紋的三維信息，為軟件系統的分析和判斷提供準確的數據支持。設備與軟件系統緊密配合，形成了一個高效的檢測體系。
微鏈道愛的解決方案將先進的軟件算法與高精度的硬件設備相結合，為半導體芯片封裝裂紋檢測提供了可靠保障。
量化成效：通過采用微鏈道愛的解決方案，該頭部半導體芯片廠商取得了顯著的成效。首先，裂紋檢出率從原來的97%提高到了99.2%，漏檢率降低到了<0.8%，大大減少了有裂紋芯片流入市場的風險。其次，誤報率降低了−70%，從原來的40%降至12%，使得複檢資源得到了更有效的利用，複檢效率大幅提升。此外，換型時間從原來的30min縮短至5min，產線的靈活性和生產效率得到了顯著提高。