深圳市秘銀科技有限公司
在整個半導體生產過程中,機器視覺用于嚴格地監控質量和查找缺陷。制造商必須重視針腳掛擦、扭曲、彎曲或缺失等情況。
芯片容錯率很低,市場廣闊,制造商們都在拼質量來獲得訂單,如果存在任何缺陷,即使是在外表層,也會使芯片成為廢品。
因為可能出現的缺陷類型太多,所以使用規則式算法對檢測進行編程是非常低效的。顯式搜索所有缺陷不但太復雜,而且費時。
深度學習算法無需使用大量的缺陷庫,可進行大部分半導體缺陷檢測,從而提高產量,降低成本。
如:
深度學習算法是解決此類復雜缺陷檢測問題的較佳解決方案。缺陷檢測工具從功能晶片層的一小組圖像中學習無缺陷晶片層的外觀。
然后,該工具甚至可以檢測晶圓層中任何地方的小缺陷,完全忽略底層,并拒絕任何異常。
無論是在光刻工藝、晶圓探測和測試,還是晶圓安裝和切割過程中,視覺對準不良都會在機器的整個使用壽命期間造成數以千計的協助和損壞的晶圓。
表現不佳的視覺系統會降低半導體設備公司的市場份額,并大大增加其支持成本。
尋找缺口的傳統方法是使用通光束陣列激光傳感器,這需要在晶圓上方和下方安裝笨重的發射器和接收器。這會占用寶貴的機械空間,
并且因為需要晶圓一直旋轉到發現切口,所以會浪費時間。隨著透明晶圓 (SiC) 和其他特殊晶圓涂層的推出,通光束傳感器變得更難準確地找到切口,提高了未對準的幾率。