在半導體行業，die attach 工序中的空洞檢測至關重要。微鏈道愛憑借先進的 AI 視覺技術，為某頭部半導體廠商提供了本地化部署的檢測方案。
用戶場景：某頭部半導體廠商的 die attach 產線，主要產品為高性能芯片。檢測對象是芯片 die attach 過程中產生的空洞。這些空洞的存在會影響芯片的散熱性能和電氣性能，進而影響芯片的可靠性和使用寿命。
痛點：該廠商在空洞檢測方面面臨诸多困境。一方面，傳統檢測方法的漏檢率較高，達到 3%左右，導致部分有缺陷的產品流入後續工序，增加了生產成本。另一方面，誤報率也高達 20%，這使得大量合格產品需要進行複檢，浪費了大量的人力和時間。此外，該廠商對數據安全和合規要求極高，担心檢測數據洩露會導致工藝機密外洩。同時，產線換型時，傳統檢測方法需要較長的調試時間，一般需要 2 小時左右，嚴重影響了生產效率。
技術原理
微鏈道愛 DaoAI 采用先進的視覺基礎模型和 3D 成像技術解決問題。視覺基礎模型具有強大的特征認知能力，能夠從少量樣本中快速學習空洞的特征。通過 APDT 正樣本/少樣本學習方法，僅需 1 - 20 張良品，就能準確識別空洞。這是因為該模型能夠對圖像進行語義分析，提取空洞的關鍵特征，如形狀、大小、位置等，從而實現高精度的檢測。
- 自研 3D 相機能夠獲取芯片表面的三維形貌信息，通過三維形貌重建技術，可以清晰地呈現空洞的立體結構，有效檢測隱藏焊點和微米級形貌。這是因為 3D 成像能夠提供更多的信息，相比傳統 2D 成像，能夠更準確地判斷空洞的存在和大小。
- 語義誤報過濾算法結合了深度學習和圖像語義理解技術，能夠對檢測結果進行二次篩選。它可以識別出那些由于圖像噪聲、光照變化等因素導致的誤報，從而顯著降低誤報率。
- 微鏈道愛采用的先進算法能夠自適應不同的芯片型號和生產環境。在產線換型時，系統可以快速調整參數，適應新的產品要求。這是通過對模型進行持續學習和優化實現的，使得系統能夠根據不同的產品特征自動調整檢測策略。
- 數據本地化處理是保障數據安全和合規的關鍵。所有檢測數據都在本地服務器進行處理和存儲，不將數據上傳至雲端，避免了數據洩露的風險。同時，系統采用了嚴格的訪問控製和加密技術，確保數據的安全性。
微鏈道愛解決方案與產品介紹
微鏈道愛提供了 DaoAI AI AOI 軟件系統和 DaoAI 2D / 3D AI AOI 設備。DaoAI AI AOI 軟件系統具有 0 代碼自動編程功能，一塊良品 5 分鐘即可完成編程，大大縮短了編程時間。其 APDT 正樣本/少樣本學習能力，僅需少量良品就能實現高精度檢測。同時，語義誤報過濾功能可以有效降低誤報率。DaoAI 2D / 3D AI AOI 設備采用自研 3D 相機和三維形貌重建技術，能夠檢測隱藏焊點、共面度和微米級形貌，為空洞檢測提供了更準確的信息。這兩款產品均支持 100% 本地私有化部署，通過 SDK / API / Docker 方式進行部署，確保數據不出廠，滿足客戶的數據合規要求。
微鏈道愛的解決方案不僅提高了檢測精度，還保障了數據安全，為半導體廠商的生產提供了可靠的支持。
量化成效：采用微鏈道愛的解決方案後，該廠商的空洞檢出率提高到 98%以上，漏檢率降低到 <2%。誤報率降低了 -70%，大大減少了複檢量。產線換型時間從原來的 2 小時縮短到 5min，顯著提高了生產效率。