4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

半导体晶圆AI视觉缺陷检测

半导体晶圆AI视觉缺陷检测,核心价值在于把过去依赖人眼和规则算法的抽检环节,变成全检、可追溯、能持续进化的在线质量防线。这两年先进制程和第三代半导体产线扩产,晶圆缺陷检测的关注度明显升温,业界讨论的焦点也从“能不能检出”转向“检出之后怎么归类、怎么追溯、怎么反哺工艺”。

一、核心概念与技术定义

半导体晶圆AI视觉缺陷检测,指的是在晶圆制造的前道(光刻、刻蚀、薄膜沉积、CMP等)和后道封装前,利用光学成像系统采集晶圆表面及图形结构的图像,再通过深度学习模型自动识别颗粒污染、划伤、针孔、桥连、断线、残留、图形偏移等缺陷,并完成缺陷的分类、定位与严重度评级。

它和传统AOI(自动光学检测)的区别在于“判读方式”。传统AOI靠人工设定的灰度阈值、边缘规则、模板比对来判定,规则写死,换一层掩膜或换一种材料就得重新调参。AI视觉检测则用卷积神经网络或Transformer类模型,从大量标注图像里自己学缺陷的纹理、形状和上下文特征,对低对比度、背景杂乱的缺陷更稳。业界常说的“ADC(自动缺陷分类)”就是其中一类典型应用,把检测设备吐出的缺陷坐标裁成小图,再由模型分到具体缺陷类型。

二、技术原理与关键能力

整套系统大致分三层。成像层决定天花板,常用明场、暗场、微分干涉相衬,先进节点还会用到电子束复查。光源角度、波长和相机分辨率配不好,后面算法再强也补不回来。算法层是核心,检测模型负责在整幅图像里快速定位疑似缺陷,分类模型负责细分类别,分割模型负责勾勒缺陷轮廓。工程层负责和MES、YMS对接,把缺陷数据落到晶圆地图上,支持良率分析。

关键能力有三个。一是小样本下的泛化能力,产线上罕见缺陷样本少,业界普遍用数据增强、迁移学习和异常检测(只学好品、偏离即报警)来缓解。二是低对比度缺陷的召回率,比如浅划痕和薄残留,靠多光谱成像加注意力机制提升。三是可解释性,模型要能给出缺陷位置热力图,方便工艺工程师判断是哪道工序出的问题,而不是只给一个“NG”结论。

三、制造业典型应用场景

假设一家做功率器件的晶圆厂,在CMP后检测表面颗粒和微划伤。过去用规则AOI,抛光液残留和真实划伤经常混淆,误报率高,工程师每天要复判大量图片。换成AI视觉检测后,模型结合暗场图像和纹理特征区分两者,复判量下降,缺陷地图还能按批次聚类,帮助定位是哪台抛光机台异常。

再假设一家做MEMS传感器的企业,晶圆表面图形密度不均,传统模板比对在边缘区域误报频繁。AI方案用异常检测思路,只训练正常图形分布,偏离即标记,适应了不同版图的快速切换。还有封装环节的晶圆级检测,比如凸块(Bump)缺球、偏移、共面性异常,AI视觉配合3D形貌数据做联合判定,比单一2D检测更贴近实际失效模式。

四、选型要点与实施建议

选型先看成像是否可调,固定光路的设备很难覆盖多工艺层。再看模型迭代闭环,产线缺陷分布会漂移,系统要支持工程师用少量新样本做增量训练,而不是每次回原厂重训。数据接口要能输出标准格式的缺陷坐标和类别,方便接良率分析系统。实施上建议先选一个缺陷类型集中、复判量大的工序做试点,把误报率和漏报率基线摸清,再横向铺开。标注规范要提前定,同一类缺陷不同工程师标法不一致,模型学出来就是乱的。另外别忽视光源和相机的一致性校准,设备间差异会直接吃掉模型收益。

五、趋势展望与总结

一个方向是检测与量测融合,AI不只判有无缺陷,还输出缺陷尺寸、深度等量化信息,直接支撑工艺窗口分析。另一个方向是边缘推理,把轻量模型部署到检测设备端,减少图像传输延迟,适应在线全检节拍。再一个是生成式数据补充,用扩散模型合成罕见缺陷样本,缓解小样本难题。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的产业数字化基础来看,晶圆AI视觉检测正在从单点工具变成良率管理的数据入口,选型时把成像、算法迭代和数据打通三件事想清楚,落地会顺很多。

所属分类: AI视觉行为识别百科