Solvision AI影像检测模块开发平台提供简单易懂的工具来解决复杂的机器视觉问题。这是一款采用先进类神经网络来识别不规则图案和特征的视觉检测软件。已成功为众多半导体行业业者、视觉集成商和AOI设备商提供专业智能检测解决方案。

01.封装晶片边缘微裂瑕疵检测解决方案

 透过监督式训练AI模型  判断封装晶片的内部瑕疵

封装制程中的切割面崩裂瑕疵

切割制程技术会影响晶片的品质，制程中常见切割面崩裂的情形。晶片封装完成后，由于晶片已黏贴于塑料或陶瓷的封外壳内，更加不易以一般检测方式检出晶片在前制程中所产生的边缘微裂瑕疵，影响晶片产品的生产良率。

封装晶片内部瑕疵无法以AOI检测

封装完成的晶片仅能透过特殊的光源及镜头以穿透的方式取像，成像的特性使得晶片边缘微裂瑕疵的色泽与边缘色泽极其相似，不易分辨。此外，边缘微裂的角度及形态也是不规则变化，无法以AOI方式判别瑕疵。

SOLOMON 封装晶片内部瑕疵检测案例

解决方案

运用Solvision AI影像平台的非监督式学习工具Anomaly Detection，以不惧瑕疵的影像样本（Golden Sample）执行AI深度学习，并辅以资料扩增技术提升AI模型对于标准样本的辨识度。训练完成的AI模型既能分辨受测物件与标准样本的差异之处，定位并标注封装晶片内边缘微裂瑕疵的位置，完全不受穿透成像特性的影像。

02.晶片收纳(In-Tray)跳料检测解决方案

AI辅助检测晶盘上晶片跳料瑕疵

制程

晶盘(IC Tray)是晶片(Chip)的承载盘，检测、切割完成后的晶片拣至晶盘中的晶穴(Pocket)內以运送至客戶端。然而晶片体积小且质轻，于晶盘上取放时容易跳料，进而产生叠料(Double)、空料(Empty)、歪斜错置(Tilt)、反转(Opposite)等情形。

晶盘中晶片跳料情形不具逻辑且难以预测瑕疵

晶片于晶盘中跳料的情形后属随机，所致的瑕疵形态多样且难以预测瑕疵所产生的位置。对AOI而言，不易针对跳料瑕疵设定逻辑并据以检测。

▍绿 卡槽內放置正确数量        

▍黃 卡槽重叠2片       

▍橙 卡槽重叠3片

SOLOMON 晶片跳片检测案例

解决方案

用AI深度学习技术，以晶片收纳异常的影像特征训练检测模型

运用Solvision AI影像平台的Segmentation技术，以具叠料、空料、歪料错置反转等瑕疵的影像样本训练AI模型，AI训练完成后即可轻易且快速地辨识并标注晶盘上产生收纳异常的位置。

03.晶片承载盘检测解决方案       

自动化承载盘AI瑕疵检测

制程

晶片承载盘(IC Tray)是半导体加工制程的关键要素，其形式及材質根据不同应用环境而有不同设计。除了晶片储存的安全及穩定性外，其定位与拾取点亦须与制程中各式进给机制(feed mechanisms)精准搭配。因此，晶片承载盘品质可谓是左右制程自动化成败的关键。

AOI检测的技术瓶颈：

面临检测复杂背景下的细微瑕疵

晶片承载盘的轮廓与定位孔点常因作业温度或长期使用造成缺口、翘曲等瑕疵，过去多透过光学检测方式予以检查。然而由于承载盘样式复杂、瑕疵过于细微且随机，不易透过传统光学检测检出并定位瑕疵，严重影响产品良率及生产效率。

SOLOMON IC Tray盘检测案例

解决方案

机器视觉结合AI，可成功克服检测时的复杂背景

运用Solvision AI影像平台的Segmentation技术执行缺陷检测（Defect Identification）,在复杂的取像背景中侦测并标注多样细微瑕疵，让使用者即时监测并排除承载盘异常情形。

04.晶圆切割刀体外观品质控管解决方案

AI辅助检测晶圆切割刀体不规则纹路及多钻瑕疵

晶圆切割分离技术的关键：

晶圆切割刀品质

随着电子产品的日新月异，半导体晶片的需求量及品质要求随之提升。另一方面，制造技术的演进，也使晶片尺寸逐渐轻薄短小。为达高良率及高效率生产的目标，晶圆切割分离技术尤为重要，而晶圆切割品质的关键在于晶圆切割的刀具品质以及控制能力。

困境：环形纹路咋做成的复杂背景

晶圆切割是半导体及光电业非常重要的制程，若无法在切割制程中维持高良率、高效率并保有晶片特性，将大幅影响整体产能。晶圆切割刀的品质控管主要透过外观瑕疵的检测，常见的外观瑕疵包括刀体上的不规则纹路、多钻等情形。由于晶圆切割刀本身即具有环形条纹，形成复杂影像背景，严重影响机器视觉对于瑕疵的侦测。

SOLOMON晶圆切割刀瑕疵检测案例

解决方案

AI视觉深度学习，辨识瑕疵不受影像背景影响

Solvision AI影像平台的Feature Detection工具，将影像样本中的不规则纹路及多钻瑕疵标注并训练AI模型，AI视觉便可即时检出晶圆切割刀体上的各式瑕疵。

（文章转自网络，如有侵权，请联系删除）