在半导体芯片生产过程中，封装裂纹检测至关重要。微链道爱凭借先进的AI视觉技术，为半导体行业提供了高效的解决方案。
用户场景：某头部半导体芯片厂商，在其芯片封装产线的封装工序中，主要产品为各类高性能半导体芯片。检测对象为芯片封装后的裂纹，这些裂纹可能出现在封装体的表面、边缘等位置，裂纹的存在会影响芯片的电气性能和可靠性，甚至导致芯片失效。
痛点：传统检测方法在芯片封装裂纹检测中面临诸多困境。一方面，漏检率较高，约为3%，这意味着部分有裂纹的芯片可能流入市场，给企业带来潜在的售后风险和声誉损失。另一方面，误报问题严重，误报率高达40%，大量的误报使得有限的复检资源被分散，导致复检效率低下，人力成本大幅增加。而且，传统检测方法在换型时需要重新进行大量的编程和调试，换型时间长达30min，严重影响了产线的灵活性和生产效率。此外，对于一些微小的裂纹和低对比度的缺陷，传统方法难以准确识别，无法满足企业对产品质量的严格要求。
技术原理
微链道爱采用了先进的AI视觉算法和成像技术来解决芯片封装裂纹检测问题。在算法方面，利用深度学习算法进行特征提取和模式识别。深度学习算法能够自动从大量的样本数据中学习到裂纹的特征和模式，通过多层神经网络的训练，能够准确地识别出不同类型、不同位置的裂纹。与传统的基于规则的算法相比，深度学习算法具有更强的适应性和鲁棒性，能够处理复杂多变的图像数据。
在成像方面，DaoAI 2D / 3D AI AOI设备采用自研3D相机进行图像采集，结合三维形貌重建技术，能够获取芯片封装表面的三维信息。三维形貌信息可以更全面地反映裂纹的特征，包括裂纹的深度、宽度和形状等，从而提高裂纹检测的准确性。对于一些隐藏在封装内部或者低对比度的裂纹，3D成像技术能够有效增强其特征，使其更容易被检测到。
- 深度学习算法的多层神经网络结构，能够逐层提取图像的高级特征，从底层的边缘、纹理特征到高层的语义特征，使得对裂纹的识别更加准确和细致。
- 3D相机的高分辨率和高精度成像能力，确保了采集到的图像包含足够的细节信息，为后续的分析和检测提供了可靠的数据基础。
- 三维形貌重建技术通过对多个视角的图像进行处理和分析，能够准确地重建出芯片封装表面的三维形状，从而更清晰地展现裂纹的形态和特征。
- 语义误报过滤功能利用深度学习模型对图像进行语义理解，能够准确地区分真实的裂纹和类似裂纹的干扰因素，从而有效降低误报率。
微链道爱解决方案与产品介绍
微链道爱提供了一套完整的解决方案，主要涉及DaoAI AI AOI软件系统和DaoAI 2D / 3D AI AOI设备。DaoAI AI AOI软件系统具有强大的特征认知能力，基于视觉基础模型，能够快速准确地识别芯片封装裂纹。该系统采用APDT正样本/少样本学习技术，仅需1/10张良品，即可在5min内完成0代码自动编程，大大缩短了换型时间。同时，系统还具备语义误报过滤功能，能够有效减少误报，将有限的复检资源聚焦到真问题上。
DaoAI 2D / 3D AI AOI设备则是硬件核心，其自研3D相机结合三维形貌重建技术，能够检测隐藏焊点、共面度和微米级形貌等。在芯片封装裂纹检测中，该设备能够清晰地捕捉到裂纹的三维信息，为软件系统的分析和判断提供准确的数据支持。设备与软件系统紧密配合，形成了一个高效的检测体系。
微链道爱的解决方案将先进的软件算法与高精度的硬件设备相结合，为半导体芯片封装裂纹检测提供了可靠保障。
量化成效：通过采用微链道爱的解决方案，该头部半导体芯片厂商取得了显著的成效。首先，裂纹检出率从原来的97%提高到了99.2%，漏检率降低到了<0.8%，大大减少了有裂纹芯片流入市场的风险。其次，误报率降低了−70%，从原来的40%降至12%，使得复检资源得到了更有效的利用，复检效率大幅提升。此外，换型时间从原来的30min缩短至5min，产线的灵活性和生产效率得到了显著提高。