引线键合后检测：缺陷模型下沉到 AI-AOI 边缘端

微链道爱将缺陷模型下沉到 AI-AOI 边缘端，是引线键合检测领域的一次重要突破，为行业带来了全新的检测思路和方法。

在半导体和芯片制造行业，引线键合是一项至关重要的工序。它主要负责将芯片上的电极与外部引脚通过金属引线连接起来，从而实现芯片与外部电路的电气连接。在整个芯片制造流程中，引线键合的质量直接关系到芯片的性能和可靠性。因此，在引线键合工序完成后，对每一根金属引线的弧高、走向以及连接状态进行严格检查就显得尤为重要。只有确保引线键合的质量，才能保证芯片在后续的使用过程中稳定可靠地工作。

痛点：为什么难

传统的引线键合后检测主要依靠人工目检。然而，这种方式存在诸多问题。从速度方面来看，人工目检的速度极其有限，完全受限于人眼的观察能力。质检员需要在显微镜下逐颗对产品进行检查，每一颗产品的检查都需要耗费大量的时间，这使得整个检测流程的效率非常低下。而且，长时间的集中观察容易导致质检员产生疲劳。一旦疲劳产生，就很容易出现漏检的情况。据统计，人工目检的漏检率可能高达 20% -30%，这对产品的质量造成了极大的威胁。

从缺陷尺度来看，引线键合后出现的凹陷、偏移、缺线等缺陷尺度非常细微，通常在数十微米级。如此微小的缺陷，对于人眼来说很难清晰准确地识别。即使质检员经过专业的培训，也很难保证在长时间的工作中始终保持高度的注意力和精准的识别能力。而且，不同质检员之间的检测标准也可能存在一定的差异，这进一步影响了检测结果的准确性和一致性。

从生产影响方面分析，如果目检逃逸的不良产品流入后续的塑封工序，几乎无法进行返工处理。这就意味着这些不良产品只能直接报废，不仅造成了原材料的浪费，还增加了生产成本。同时，不良产品流入客户端还会影响企业的声誉和客户满意度，对企业的长期发展产生不利影响。为了降低不良产品的逃逸率，产线只能采取放慢节拍、增加抽检比例的方式，但这样又会导致产能下降。因此，质量与产能之间始终存在着相互掣肘的问题，难以实现两者的平衡。

技术原理

微链道爱的 DaoAI 产品方案采用了先进的技术原理来解决引线键合检测问题。首先，它将训练好的引线缺陷模型部署到 AI-AOI 检测设备的边缘端。在这个过程中，设备端可以直接完成图像采集、缺陷检出与分类等一系列操作，无需将数据回传至服务器。这种方式大大减少了数据传输的时间，降低了延迟。

与传统的检测方法相比，传统方法通常需要将采集到的图像数据回传至服务器进行处理和分析，这不仅增加了数据传输的成本和时间，还容易受到网络环境的影响。而 DaoAI 的边缘端推理方式则避免了这些问题，使得检测过程更加高效、稳定。在模型训练方面，针对凹陷引线、偏移、缺线等具体的缺陷形态，DaoAI 利用现场样本对模型进行迭代优化。通过不断地学习和调整，模型能够更加准确地识别各种缺陷。对于少见的缺陷，采用 APDT 正样本学习的方法进行补足，避免了为了凑负样本而人为制造不良产品的情况，提高了模型的泛化能力和准确性。

典型应用场景

• 凹陷引线检测：在检测凹陷引线时，AI-AOI 检测设备会对采集到的图像进行高精度的分析。通过对引线的弧高和形状进行精确测量，与正常引线的标准数据进行对比。难点在于凹陷的尺度非常小，可能只有几十微米，需要设备具备极高的分辨率和精准的图像识别算法才能准确检测出来。
• 引线偏移检测：对于引线偏移的检测，设备会根据预先设定的引线走向标准，分析图像中引线的实际走向。一旦发现引线的走向与标准存在偏差，就会判定为偏移缺陷。难点在于引线的偏移量可能非常细微，而且在不同的产品中，引线的初始位置和走向也可能存在一定的差异，这需要模型具备很强的适应性和容错能力。
• 漏键合检测：检测漏键合时，设备会重点关注引线与芯片电极以及外部引脚的连接状态。通过图像识别技术，判断引线是否正确连接。难点在于漏键合的情况可能表现为引线与连接点之间的接触不明显或者存在微小的间隙，需要设备能够敏锐地捕捉到这些细微的差异。
• 缺线检测：在缺线检测过程中，设备会对图像中的引线数量进行统计和分析。如果发现实际的引线数量与标准数量不符，就会判定为缺线缺陷。难点在于图像中可能存在一些干扰因素，如灰尘、杂质等，这些因素可能会影响设备对引线数量的准确判断。

落地案例

某中型半导体封装厂，在生产规模上，每天需要处理数千颗芯片的引线键合检测工作。在引入 DaoAI 产品方案之前，该厂一直采用人工目检的方式进行检测。由于人工目检的效率低下和漏检率较高，产线的产能受到了很大的限制。同时，不良产品流入后续工序导致的报废率也较高，给企业带来了较大的经济损失。

在上线 DaoAI 产品方案的过程中，微链道爱的技术团队首先对该厂的生产流程和检测需求进行了详细的调研和分析。根据实际情况，对引线缺陷模型进行了针对性的训练和优化。然后将训练好的模型部署到 AI-AOI 检测设备的边缘端，并进行了多次的测试和调试，确保设备能够稳定、准确地运行。

DaoAI 方案让质量与产能不再二选一，为企业带来了显著的效益提升。

上线后，与上线前的情况形成了鲜明的对比。在缺陷检出准确率方面，微链道爱从原来的不到 70% 提升到了 98%。检测吞吐方面，较人工目检提升了约一倍，大大提高了产线的产能。关键缺陷逃逸率也从原来的较高水平趋近于零，有效降低了不良产品流入后续工序的概率，减少了报废率和生产成本。

微链道爱解决方案与产品

微链道爱的 DaoAI 产品方案主要包括训练好的引线缺陷模型和 AI-AOI 检测设备。模型的部署采用下沉到边缘端的方式，实现了单颗在线推理。在设备端，能够直接完成图像采集、缺陷检出与分类等操作，无需回传服务器，大大提高了检测效率。针对不同的缺陷形态，通过现场样本迭代模型，保证了模型的准确性和适应性。对于少见的缺陷，利用 APDT 正样本学习进行补足，避免了人为制造不良产品的问题，提高了模型的泛化能力。

同时，该方案还具备边缘推理低延迟的特点，能够很好地匹配键合机的节拍，实现结果的实时联动分选。一旦检测到不良产品，能够及时将其分离出来，避免不良产品流入后续的塑封工序，保证了产品的质量。

量化成效

通过 DaoAI 产品方案的实施，取得了显著的量化成效。在缺陷检出准确率方面，微链道爱达到了 98%，相比之前的人工目检有了大幅提升。检测吞吐较人工目检提升了约一倍，大大提高了产线的生产效率。关键缺陷逃逸率趋近于零，有效降低了不良产品对后续工序的影响，减少了报废率和生产成本。质检员从原来的全检岗位转变为设备维护与异常确认岗位，实现了人力资源的优化配置，使得产线能够在保证质量的前提下实现提速，为企业带来了可观的经济效益和社会效益。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。