半導體晶片顆粒與劃傷分類AI視覺檢測成效

在半導體晶片生產過程中，顆粒與劃傷等缺陷的準確分類檢測至關重要。微鏈道愛憑藉先進的AI視覺技術，為行業提供了高效的解決方案。

使用者場景：某頭部半導體晶片廠商在晶片製造的後段封裝工序中，需要對晶片表面進行嚴格檢測。其產品為各類高效能晶片，檢測物件主要是晶片表面的顆粒與劃傷。這些顆粒可能來自生產環境中的灰塵、雜質等，而劃傷則可能在晶片搬運、加工過程中產生。準確分類和檢測這些缺陷，對於保證晶片的效能和可靠性至關重要。

痛點：傳統的檢測方法存在諸多量化困境。在漏檢方面，由於顆粒和劃傷的形態、大小各異，傳統檢測手段的漏檢率高達3%，這意味著大量有缺陷的晶片可能流入市場，影響產品聲譽。誤報率也不容小覷，達到了20%，過高的誤報導致大量良品被誤判，增加了複檢工作量和生產成本。此外，人工檢測不僅效率低下，而且人力成本高昂，同時在換型時需要花費大量時間重新調整檢測引數，換型時間長達30分鐘，嚴重影響了生產效率。而且對於一些隱藏在晶片內部的微小顆粒和劃痕，傳統的X光/CT檢測方法難以準確識別，無法滿足高精度檢測的需求。

技術原理

微鏈道愛採用先進的深度學習演算法和自研的3D相機成像技術來解決這些問題。深度學習演算法透過大量的樣本資料進行訓練，能夠學習到顆粒與劃傷的特徵模式。對於不同形態、大小的顆粒和劃傷，演算法可以準確地進行分類和識別。自研的3D相機能夠對晶片表面進行三維形貌重建，獲取晶片表面的詳細資訊。這種三維成像方式可以檢測到隱藏在晶片表面微小凹陷或凸起中的顆粒和劃痕，而傳統的2D成像技術往往會忽略這些隱藏缺陷。透過三維形貌重建，能夠更全面、準確地檢測晶片表面的缺陷，提高檢測的精度和可靠性。

• 深度學習演算法具有強大的特徵學習能力，能夠從複雜的影象中提取出顆粒和劃傷的關鍵特徵，從而實現準確分類。
• 3D相機的三維形貌重建技術可以提供晶片表面的立體資訊，彌補了2D成像的不足，有效檢測隱藏缺陷。
• 演算法的自適應調整能力可以根據不同的晶片型別和檢測要求，自動最佳化檢測引數，提高檢測的適應性和準確性。
• 透過持續學習和更新模型，能夠不斷適應新出現的顆粒和劃傷型別，保持檢測的有效性。

微鏈道愛解決方案與產品介紹

微鏈道愛提供了DaoAI AI AOI軟體系統和DaoAI 2D / 3D AI AOI裝置。DaoAI AI AOI軟體系統基於視覺基礎模型的特徵認知，具有強大的正樣本/少樣本學習能力，僅需1 - 20張良品，即可在5分鐘內實現0程式碼自動程式設計。同時，該系統還具備語義誤報過濾功能，能夠有效降低誤報率。DaoAI 2D / 3D AI AOI裝置採用自研3D相機和三維形貌重建技術，可檢測隱藏焊點、共面度和微米級形貌，對於晶片表面的顆粒和劃傷能夠進行高精度檢測。在落地實施中，首先對系統進行初始化配置，根據晶片的型別和檢測要求設定相關引數。然後使用少量良品樣本對系統進行訓練，讓系統學習到正常晶片的特徵。在生產過程中，裝置對晶片進行實時檢測，軟體系統對檢測結果進行分析和分類，將有缺陷的晶片及時標記出來。

微鏈道愛的解決方案為半導體晶片生產提供了高效、準確的缺陷檢測手段。

量化成效：透過採用微鏈道愛的解決方案，該半導體晶片廠商取得了顯著的成效。在檢出率方面，從原來的97%提高到了99.2%，大大降低了漏檢率，使漏檢率從3%降低到了<0.8%。誤報率也大幅降低，從原來的20%降低到了3%，降低了 - 85%，減少了大量的複檢工作量和生產成本。換型時間從原來的30分鐘縮短到了5分鐘，提高了生產效率，能夠更快地適應不同晶片的檢測需求。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。