在半导体芯片生产过程中，颗粒与划伤等缺陷的准确分类检测至关重要。微链道爱凭借先进的AI视觉技术，为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芯片制造的后段封装工序中，需要对芯片表面进行严格检测。其产品为各类高性能芯片，检测对象主要是芯片表面的颗粒与划伤。这些颗粒可能来自生产环境中的灰尘、杂质等，而划伤则可能在芯片搬运、加工过程中产生。准确分类和检测这些缺陷，对于保证芯片的性能和可靠性至关重要。
痛点：传统的检测方法存在诸多量化困境。在漏检方面，由于颗粒和划伤的形态、大小各异，传统检测手段的漏检率高达3%，这意味着大量有缺陷的芯片可能流入市场，影响产品声誉。误报率也不容小觑，达到了20%，过高的误报导致大量良品被误判，增加了复检工作量和生产成本。此外，人工检测不仅效率低下，而且人力成本高昂，同时在换型时需要花费大量时间重新调整检测参数，换型时间长达30分钟，严重影响了生产效率。而且对于一些隐藏在芯片内部的微小颗粒和划痕，传统的X光/CT检测方法难以准确识别，无法满足高精度检测的需求。
技术原理
微链道爱采用先进的深度学习算法和自研的3D相机成像技术来解决这些问题。深度学习算法通过大量的样本数据进行训练，能够学习到颗粒与划伤的特征模式。对于不同形态、大小的颗粒和划伤，算法可以准确地进行分类和识别。自研的3D相机能够对芯片表面进行三维形貌重建，获取芯片表面的详细信息。这种三维成像方式可以检测到隐藏在芯片表面微小凹陷或凸起中的颗粒和划痕，而传统的2D成像技术往往会忽略这些隐藏缺陷。通过三维形貌重建，能够更全面、准确地检测芯片表面的缺陷，提高检测的精度和可靠性。
- 深度学习算法具有强大的特征学习能力，能够从复杂的图像中提取出颗粒和划伤的关键特征，从而实现准确分类。
- 3D相机的三维形貌重建技术可以提供芯片表面的立体信息，弥补了2D成像的不足，有效检测隐藏缺陷。
- 算法的自适应调整能力可以根据不同的芯片类型和检测要求，自动优化检测参数，提高检测的适应性和准确性。
- 通过持续学习和更新模型，能够不断适应新出现的颗粒和划伤类型，保持检测的有效性。
微链道爱解决方案与产品介绍
微链道爱提供了DaoAI AI AOI软件系统和DaoAI 2D / 3D AI AOI设备。DaoAI AI AOI软件系统基于视觉基础模型的特征认知，具有强大的正样本/少样本学习能力，仅需1 - 20张良品，即可在5分钟内实现0代码自动编程。同时，该系统还具备语义误报过滤功能，能够有效降低误报率。DaoAI 2D / 3D AI AOI设备采用自研3D相机和三维形貌重建技术，可检测隐藏焊点、共面度和微米级形貌，对于芯片表面的颗粒和划伤能够进行高精度检测。在落地实施中，首先对系统进行初始化配置，根据芯片的类型和检测要求设置相关参数。然后使用少量良品样本对系统进行训练，让系统学习到正常芯片的特征。在生产过程中，设备对芯片进行实时检测，软件系统对检测结果进行分析和分类，将有缺陷的芯片及时标记出来。
微链道爱的解决方案为半导体芯片生产提供了高效、准确的缺陷检测手段。
量化成效：通过采用微链道爱的解决方案，该半导体芯片厂商取得了显著的成效。在检出率方面，从原来的97%提高到了99.2%，大大降低了漏检率，使漏检率从3%降低到了<0.8%。误报率也大幅降低，从原来的20%降低到了3%，降低了 - 85%，减少了大量的复检工作量和生产成本。换型时间从原来的30分钟缩短到了5分钟，提高了生产效率，能够更快地适应不同芯片的检测需求。