在半导体行业，die attach 工序中的空洞检测至关重要。微链道爱凭借先进的 AI 视觉技术，为某头部半导体厂商提供了本地化部署的检测方案。
用户场景：某头部半导体厂商的 die attach 产线，主要产品为高性能芯片。检测对象是芯片 die attach 过程中产生的空洞。这些空洞的存在会影响芯片的散热性能和电气性能，进而影响芯片的可靠性和使用寿命。
痛点：该厂商在空洞检测方面面临诸多困境。一方面，传统检测方法的漏检率较高，达到 3%左右，导致部分有缺陷的产品流入后续工序，增加了生产成本。另一方面，误报率也高达 20%，这使得大量合格产品需要进行复检，浪费了大量的人力和时间。此外，该厂商对数据安全和合规要求极高，担心检测数据泄露会导致工艺机密外泄。同时，产线换型时，传统检测方法需要较长的调试时间，一般需要 2 小时左右，严重影响了生产效率。
技术原理
微链道爱 DaoAI 采用先进的视觉基础模型和 3D 成像技术解决问题。视觉基础模型具有强大的特征认知能力，能够从少量样本中快速学习空洞的特征。通过 APDT 正样本/少样本学习方法，仅需 1 - 20 张良品，就能准确识别空洞。这是因为该模型能够对图像进行语义分析，提取空洞的关键特征，如形状、大小、位置等，从而实现高精度的检测。
- 自研 3D 相机能够获取芯片表面的三维形貌信息，通过三维形貌重建技术，可以清晰地呈现空洞的立体结构，有效检测隐藏焊点和微米级形貌。这是因为 3D 成像能够提供更多的信息，相比传统 2D 成像，能够更准确地判断空洞的存在和大小。
- 语义误报过滤算法结合了深度学习和图像语义理解技术，能够对检测结果进行二次筛选。它可以识别出那些由于图像噪声、光照变化等因素导致的误报，从而显著降低误报率。
- 微链道爱采用的先进算法能够自适应不同的芯片型号和生产环境。在产线换型时，系统可以快速调整参数，适应新的产品要求。这是通过对模型进行持续学习和优化实现的，使得系统能够根据不同的产品特征自动调整检测策略。
- 数据本地化处理是保障数据安全和合规的关键。所有检测数据都在本地服务器进行处理和存储，不将数据上传至云端，避免了数据泄露的风险。同时，系统采用了严格的访问控制和加密技术，确保数据的安全性。
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 软件系统具有 0 代码自动编程功能，一块良品 5 分钟即可完成编程，大大缩短了编程时间。其 APDT 正样本/少样本学习能力，仅需少量良品就能实现高精度检测。同时，语义误报过滤功能可以有效降低误报率。DaoAI 2D / 3D AI AOI 设备采用自研 3D 相机和三维形貌重建技术，能够检测隐藏焊点、共面度和微米级形貌，为空洞检测提供了更准确的信息。这两款产品均支持 100% 本地私有化部署，通过 SDK / API / Docker 方式进行部署，确保数据不出厂，满足客户的数据合规要求。
微链道爱的解决方案不仅提高了检测精度，还保障了数据安全，为半导体厂商的生产提供了可靠的支持。
量化成效：采用微链道爱的解决方案后，该厂商的空洞检出率提高到 98%以上，漏检率降低到 <2%。误报率降低了 -70%，大大减少了复检量。产线换型时间从原来的 2 小时缩短到 5min，显著提高了生产效率。