半導體先進封裝稀有缺陷少樣本檢測方案

半導體先進封裝過程中的稀有缺陷少樣本檢測一直是困擾行業的難題。微鏈道愛利用先進的技術和產品，為這一問題提供了創新的解決方案。

行業背景與使用者場景：半導體產業作為現代科技的核心驅動力，其先進封裝技術對於提升晶片效能和可靠性至關重要。在先進封裝過程中，對晶片封裝後的微小結構進行精確檢測是確保產品質量的關鍵環節。某頭部半導體廠商的先進封裝產線，主要生產高效能晶片。封裝工序中的檢測物件包括晶片封裝後的焊點、引腳等微小結構，這些結構尺寸通常在微米級別。同時，還存在一些稀有缺陷，如微小異物、裂紋等。這些稀有缺陷出現的機率極低，但一旦流入後續工序，將對整個晶片的效能和可靠性產生嚴重影響。

痛點：為什麼難

傳統檢測方法在面對稀有缺陷少樣本情況時，面臨著諸多困境。從樣本數量維度來看，由於稀有缺陷樣本數量極少，模型訓練不充分。以該頭部半導體廠商為例，傳統方法下漏檢率高達 5%，這意味著大量有缺陷產品流入後續工序，不僅增加了生產成本，還帶來了嚴重的質量風險。從誤判維度分析，誤報率居高不下，達到 15%。這使得大量良品被誤判為次品，需要人工複檢，大大增加了人力成本，同時降低了生產效率。從產線靈活性維度考慮，產線換型時，傳統方法需要花費大量時間重新程式設計和除錯，換型時間長達 2 小時，嚴重影響了生產的靈活性和效率。

這些問題的根源在於傳統檢測方法的侷限性。傳統方法往往依賴大量的樣本資料進行模型訓練，而稀有缺陷樣本的稀缺性使得模型無法充分學習到缺陷的特徵資訊。此外，傳統方法在處理複雜微小結構時，缺乏對三維資訊的有效獲取和分析能力，導致對隱藏缺陷的檢測能力不足。

技術原理

微鏈道愛採用了先進的視覺基礎模型和 APDT 正樣本/少樣本學習演算法來解決這一問題。視覺基礎模型具有強大的特徵認知能力，它能夠對影象特徵進行深度挖掘和學習。透過對少量樣本的分析，該模型可以學習到缺陷的特徵資訊，從而提高對不同型別缺陷的識別能力。與傳統方法相比，傳統模型需要大量的樣本才能達到較好的識別效果，而視覺基礎模型在少量樣本的情況下也能表現出色。

APDT 正樣本/少樣本學習演算法則透過對少量正樣本的學習，快速準確地識別出缺陷模式。該演算法利用少量正樣本快速訓練模型，適應稀有缺陷的檢測需求。在成像方面，微鏈道愛自研 3D 相機結合三維形貌重建技術，能夠獲取檢測物件的三維資訊。傳統檢測方法大多隻能獲取二維資訊，對於隱藏在微小結構內部的缺陷難以發現。而自研 3D 相機和三維形貌重建技術可以清晰地呈現出微小結構的形貌特徵，有助於發現隱藏的缺陷和微米級形貌變化。這種多維度的資訊獲取和分析方式，使得演算法能夠更準確地判斷缺陷的存在與否，大大提高了檢測的準確性。

典型應用場景

• 焊點檢測：在晶片封裝中，焊點的質量直接影響晶片的電氣效能。檢測時，微鏈道愛利用自研 3D 相機獲取焊點的三維資訊，透過視覺基礎模型和 APDT 演算法分析焊點的形狀、大小和位置。難點在於焊點尺寸微小，且可能存在隱藏的虛焊等缺陷，傳統方法難以準確檢測。
• 引腳檢測：引腳的共面度和完整性對於晶片與電路板的連線至關重要。微鏈道愛透過三維形貌重建技術檢測引腳的共面度和微米級形貌變化，利用演算法判斷引腳是否存在彎曲、斷裂等缺陷。難點在於引腳數量眾多，且微小的變形可能影響晶片的正常使用。
• 微小異物檢測：微小異物可能會影響晶片的電氣效能和散熱效能。微鏈道愛利用視覺基礎模型對影象進行分析，識別微小異物的特徵。難點在於異物尺寸極小，且可能與背景顏色相近，傳統方法容易漏檢。
• 裂紋檢測：晶片封裝後的裂紋會降低晶片的可靠性。微鏈道愛透過 3D 相機獲取晶片表面的三維資訊，利用演算法分析裂紋的特徵。難點在於裂紋可能非常細微，傳統的二維檢測方法難以發現。

落地案例

某頭部半導體廠商，其先進封裝產線規模較大，每天生產大量高效能晶片。在引入微鏈道愛的檢測方案之前，面臨著漏檢率高、誤報率高和換型時間長等問題。上線過程中，首先對少量良品樣本進行採集和分析，利用 DaoAI AI AOI 軟體系統進行快速程式設計和模型訓練。然後，將訓練好的模型部署到 DaoAI 2D / 3D AI AOI 裝置中，對產線產品進行實時檢測。上線前，檢出率為 95%，漏檢率為 5%，誤報率為 15%，換型時間為 2 小時。上線後，檢出率提高到了 99.2%，漏檢率降低至 <0.8%，誤報率降低至 3%，降低了 -80%，換型時間從 2 小時縮短至 5 分鐘。

微鏈道愛的檢測方案為半導體先進封裝產線帶來了顯著的改善，有效解決了稀有缺陷少樣本檢測的難題。

微鏈道愛解決方案與產品

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 分鐘內完成 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，能夠檢測隱藏焊點、共面度和微米級形貌變化。在實際應用中，先利用軟體系統對少量良品樣本進行分析和模型訓練，然後將訓練好的模型部署到裝置中，實現對產線產品的實時檢測。

量化成效：採用微鏈道愛的解決方案後，檢出率從原來的 95% 提高到了 99.2%，漏檢率降低至 <0.8%，大大減少了有缺陷產品流入後續工序的風險。誤報率從 15% 降低至 3%，降低了 -80%，減少了人工複檢的工作量。產線換型時間從 2 小時縮短至 5 分鐘，提高了生產的靈活性和效率。

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。