AI外観検査システムは、嘉興の半導体メーカーが歩留まりを高め人件費を削減するための重要な基盤になりつつあります。長江デルタの半導体設備とパワーデバイスの重要な集積地である嘉興では、パッケージ・テスト、ウェハ製造、パワーデバイスにおけるミクロン級の欠陥検出の需要が高まっています。従来の人手による目視検査では、高速タクトと高い一貫性の要求に応えにくく、AI外観検査の価値が際立っています。
1. AI外観検査の基本概念と定義
AI外観検査システムは、マシンビジョンをセンシングの前段、深層学習アルゴリズムを判断の中核として、工業製品の表面欠陥、寸法のずれ、組立の完全性を自動で判定・分類する、ハードウェアとソフトウェアの一体型システムです。従来のルールベースのビジョンとの違いは、技術者が欠陥のルールを一つひとつ書く必要がなく、モデルが学習サンプルから傷、欠け、汚れ、はんだ付け不良、クラックといった複雑な欠陥パターンを認識することを学ぶ点にあります。
半導体では、AI外観検査は通常3種類の問題に対応します。ウェハ表面のパーティクルとパターン欠陥の検出。パッケージにおけるピンの共平面性、はんだボールの欠落、パッケージ本体のクラックの検出。テーピング・リール前の文字認識と最終外観検査です。ZEVONがこの分野で提供するAI検査ソリューションは、アルゴリズムモデルをラインのタクトに合わせることと、検査データを製造実行システムと結び付けることを重視しています。
2. 主な機能モジュールと技術的なポイント
1) 画像の取得と光学設計。半導体の欠陥はミクロン級であることが多く、高解像度の産業用カメラ、テレセントリックレンズ、多角度照明が必要です。明視野、暗視野、同軸照明の選択が、欠陥のコントラストを直接左右します。
2) 深層学習による欠陥検出。画素レベルの欠陥位置特定と分類には、セマンティックセグメンテーションや物体検出のネットワークがよく使われます。半導体ラインは機種の切り替えが頻繁で欠陥サンプルの入手コストが高いため、少数サンプル学習の能力が重要です。
3) 欠陥の分類と等級付け。結果は致命、重大、軽微に等級付けされ、それぞれ異なる処置方針に結び付けられ、過剰な廃棄を避けます。
4) データの追跡とSPC分析。各ウェハ、各デバイスの検査画像と判定結果は追跡可能でなければならず、欠陥分布のヒートマップは工程技術者が根本原因を特定する助けになります。
5) MES、ESOPとの協調。検査結果は製造実行システムへ戻し、作業指示は工程変更と同期して更新される必要があります。ZEVON ESOPは電子作業指示と検査工程の連携に成熟した経験を持ち、作業者が工程端末で最新の判定基準と欠陥事例を確認でき、誤判定を減らします。
3. 半導体における典型的な適用場面

嘉興のパワーデバイス封止工場を想定します。主にTOとQFNのパッケージを生産しています。成形後の外観検査は長く人手の目視に頼り、流出と基準のばらつきがありました。AI外観検査を導入すると、工程のカメラが各デバイスの多角度画像を取得し、モデルがミリ秒以内に欠陥の種類と信頼度を出力し、良品は次の工程へ流れ、疑わしい品は自動で再検査ステーションへ振り分けられます。
化学機械研磨の後に微細な傷や残留パーティクルを検出する必要がある半導体工場も考えます。暗視野の撮像と組み合わせることで、AI外観検査は以前は技術者の経験で判断していたあいまいな欠陥を定量化可能なしきい値に変え、SPCシステムと連携して、ある領域の欠陥密度が上昇し続けた場合に工程アラートを自動で発します。
こうした場面で、ZEVONのアプローチは検査ステーション、再検査ステーション、工程ダッシュボードを同じデータの連鎖に載せ、検査が欠陥を止めるだけでなく工程改善の入力になるようにします。ZEVON ESOPは作業標準の発行と作業者の遵守を担い、検査基準の変更後に現場の実行がずれないようにします。
4. 選定と導入のアドバイス
第1に、検出精度とタクトの要件を明確にします。半導体ラインは高速で流れるため、アルゴリズムの推論速度が追随する必要があり、オフラインの精度だけを見てはいけません。
第2に、サンプルの整備を重視します。どんなに優れたモデルも代表的な欠陥サンプルに依存するため、選定時にはベンダーのサンプル収集とラベリングの能力を評価します。
第3に、システムのオープン性に注目します。AI検査は既存のMES、SPC、ESOPと接続する必要があるため、インターフェースのプロトコルとデータ形式を事前に確認します。
第4に、段階的に導入します。1つのラインか1つのステーションでパイロットを行い、過検出率と見逃し率が目標を満たしてから横展開します。
第5に、保守コストを考慮します。モデルは継続的な改善が必要で、ベンダーが長期的なモデル最適化を提供するかどうかは、一度きりの納品価格よりも重要です。ZEVONは15以上の業種、120社以上のお客様、3,200台以上の端末に導入され、電子機器製造や半導体関連の場面で再利用可能な導入手法を蓄積しています。
5. 今後の展望
半導体におけるAI外観検査は、単独の検査から全工程の品質閉ループへ移っています。注目すべき3つの方向があります。少数サンプル学習と自己教師あり学習がサンプルへの依存をさらに下げること。エッジコンピューティングとクラウド学習の組み合わせにより、ライン側の推論が高速化しモデルの更新が適時になること。検査データと工程パラメータの共同モデリングにより、欠陥の検出から予測への飛躍が可能になることです。嘉興の半導体メーカーにとって、AI外観検査を全社のデジタル工場計画に早く組み込んだ企業ほど、歩留まり競争で主導権を持ちます。