引線鍵合後檢測：缺陷模型下沉到 AI-AOI 邊緣端

微鏈道愛將缺陷模型下沉到 AI-AOI 邊緣端，是引線鍵合檢測領域的一次重要突破，為行業帶來了全新的檢測思路和方法。

在半導體和晶片製造行業，引線鍵合是一項至關重要的工序。它主要負責將晶片上的電極與外部引腳透過金屬引線連線起來，從而實現晶片與外部電路的電氣連線。在整個晶片製造流程中，引線鍵合的質量直接關係到晶片的效能和可靠性。因此，在引線鍵合工序完成後，對每一根金屬引線的弧高、走向以及連線狀態進行嚴格檢查就顯得尤為重要。只有確保引線鍵合的質量，才能保證晶片在後續的使用過程中穩定可靠地工作。

痛點：為什麼難

傳統的引線鍵合後檢測主要依靠人工目檢。然而，這種方式存在諸多問題。從速度方面來看，人工目檢的速度極其有限，完全受限於人眼的觀察能力。質檢員需要在顯微鏡下逐顆對產品進行檢查，每一顆產品的檢查都需要耗費大量的時間，這使得整個檢測流程的效率非常低下。而且，長時間的集中觀察容易導致質檢員產生疲勞。一旦疲勞產生，就很容易出現漏檢的情況。據統計，人工目檢的漏檢率可能高達 20% -30%，這對產品的質量造成了極大的威脅。

從缺陷尺度來看，引線鍵合後出現的凹陷、偏移、缺線等缺陷尺度非常細微，通常在數十微米級。如此微小的缺陷，對於人眼來說很難清晰準確地識別。即使質檢員經過專業的培訓，也很難保證在長時間的工作中始終保持高度的注意力和精準的識別能力。而且，不同質檢員之間的檢測標準也可能存在一定的差異，這進一步影響了檢測結果的準確性和一致性。

從生產影響方面分析，如果目檢逃逸的不良產品流入後續的塑封工序，幾乎無法進行返工處理。這就意味著這些不良產品只能直接報廢，不僅造成了原材料的浪費，還增加了生產成本。同時，不良產品流入客戶端還會影響企業的聲譽和客戶滿意度，對企業的長期發展產生不利影響。為了降低不良產品的逃逸率，產線只能採取放慢節拍、增加抽檢比例的方式，但這樣又會導致產能下降。因此，質量與產能之間始終存在著相互掣肘的問題，難以實現兩者的平衡。

技術原理

微鏈道愛的 DaoAI 產品方案採用了先進的技術原理來解決引線鍵合檢測問題。首先，它將訓練好的引線缺陷模型部署到 AI-AOI 檢測裝置的邊緣端。在這個過程中，裝置端可以直接完成影象採集、缺陷檢出與分類等一系列操作，無需將資料回傳至伺服器。這種方式大大減少了資料傳輸的時間，降低了延遲。

與傳統的檢測方法相比，傳統方法通常需要將採集到的影象資料回傳至伺服器進行處理和分析，這不僅增加了資料傳輸的成本和時間，還容易受到網路環境的影響。而 DaoAI 的邊緣端推理方式則避免了這些問題，使得檢測過程更加高效、穩定。在模型訓練方面，針對凹陷引線、偏移、缺線等具體的缺陷形態，DaoAI 利用現場樣本對模型進行迭代最佳化。透過不斷地學習和調整，模型能夠更加準確地識別各種缺陷。對於少見的缺陷，採用 APDT 正樣本學習的方法進行補足，避免了為了湊負樣本而人為製造不良產品的情況，提高了模型的泛化能力和準確性。

典型應用場景

• 凹陷引線檢測：在檢測凹陷引線時，AI-AOI 檢測裝置會對採集到的影象進行高精度的分析。透過對引線的弧高和形狀進行精確測量，與正常引線的標準資料進行對比。難點在於凹陷的尺度非常小，可能只有幾十微米，需要裝置具備極高的解析度和精準的影象識別演算法才能準確檢測出來。
• 引線偏移檢測：對於引線偏移的檢測，裝置會根據預先設定的引線走向標準，分析影象中引線的實際走向。一旦發現引線的走向與標準存在偏差，就會判定為偏移缺陷。難點在於引線的偏移量可能非常細微，而且在不同的產品中，引線的初始位置和走向也可能存在一定的差異，這需要模型具備很強的適應性和容錯能力。
• 漏鍵合檢測：檢測漏鍵合時，裝置會重點關注引線與晶片電極以及外部引腳的連線狀態。透過影象識別技術，判斷引線是否正確連線。難點在於漏鍵合的情況可能表現為引線與連線點之間的接觸不明顯或者存在微小的間隙，需要裝置能夠敏銳地捕捉到這些細微的差異。
• 缺線檢測：在缺線檢測過程中，裝置會對影象中的引線數量進行統計和分析。如果發現實際的引線數量與標準數量不符，就會判定為缺線缺陷。難點在於影象中可能存在一些干擾因素，如灰塵、雜質等，這些因素可能會影響裝置對引線數量的準確判斷。

落地案例

某中型半導體封裝廠，在生產規模上，每天需要處理數千顆晶片的引線鍵合檢測工作。在引入 DaoAI 產品方案之前，該廠一直採用人工目檢的方式進行檢測。由於人工目檢的效率低下和漏檢率較高，產線的產能受到了很大的限制。同時，不良產品流入後續工序導致的報廢率也較高，給企業帶來了較大的經濟損失。

在上線 DaoAI 產品方案的過程中，微鏈道愛的技術團隊首先對該廠的生產流程和檢測需求進行了詳細的調研和分析。根據實際情況，對引線缺陷模型進行了針對性的訓練和最佳化。然後將訓練好的模型部署到 AI-AOI 檢測裝置的邊緣端，並進行了多次的測試和除錯，確保裝置能夠穩定、準確地執行。

DaoAI 方案讓質量與產能不再二選一，為企業帶來了顯著的效益提升。

上線後，與上線前的情況形成了鮮明的對比。在缺陷檢出準確率方面，微鏈道愛從原來的不到 70% 提升到了 98%。檢測吞吐方面，較人工目檢提升了約一倍，大大提高了產線的產能。關鍵缺陷逃逸率也從原來的較高水平趨近於零，有效降低了不良產品流入後續工序的機率，減少了報廢率和生產成本。

微鏈道愛解決方案與產品

微鏈道愛的 DaoAI 產品方案主要包括訓練好的引線缺陷模型和 AI-AOI 檢測裝置。模型的部署採用下沉到邊緣端的方式，實現了單顆線上推理。在裝置端，能夠直接完成影象採集、缺陷檢出與分類等操作，無需回傳伺服器，大大提高了檢測效率。針對不同的缺陷形態，透過現場樣本迭代模型，保證了模型的準確性和適應性。對於少見的缺陷，利用 APDT 正樣本學習進行補足，避免了人為製造不良產品的問題，提高了模型的泛化能力。

同時，該方案還具備邊緣推理低延遲的特點，能夠很好地匹配鍵合機的節拍，實現結果的實時聯動分選。一旦檢測到不良產品，能夠及時將其分離出來，避免不良產品流入後續的塑封工序，保證了產品的質量。

量化成效

透過 DaoAI 產品方案的實施，取得了顯著的量化成效。在缺陷檢出準確率方面，微鏈道愛達到了 98%，相比之前的人工目檢有了大幅提升。檢測吞吐較人工目檢提升了約一倍，大大提高了產線的生產效率。關鍵缺陷逃逸率趨近於零，有效降低了不良產品對後續工序的影響，減少了報廢率和生產成本。質檢員從原來的全檢崗位轉變為裝置維護與異常確認崗位，實現了人力資源的最佳化配置，使得產線能夠在保證質量的前提下實現提速，為企業帶來了可觀的經濟效益和社會效益。

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。