SolVisionÉtude de cas
Inspection des puces semi-conductrices emballées
Apprentissage non supervisé par IA pour la détection de micro-défauts
Couche de protection externe et processus d’emballage
Les processus de découpe influencent directement la qualité des tranches semi-conductrices. Lors de la séparation des tranches, des défauts tels que des fissures de surface peuvent apparaître. Une fois emballées, les tranches sont fixées dans un boîtier protecteur en plastique ou en céramique, ce qui complique l’inspection des fissures sur les bords ou d’autres micro-défauts internes avec les méthodes traditionnelles.
Détection à travers l’emballage
Lorsqu’une tranche est dans son emballage, elle ne peut être photographiée qu’à l’aide d’une source lumineuse spéciale et de lentilles à propriétés de pénétration. Cela génère des images où les fissures sur les bords et les contours apparaissent dans des couleurs très similaires, rendant leur distinction difficile. De plus, la forme et l’angle des petites fissures sont irréguliers, ce qui rend les systèmes d’inspection traditionnels basés sur des règles inefficaces pour ces tâches.
Évaluation des produits parfaits et imparfaits
Grâce à l’IA, SolVision propose des fonctions spécifiques pour compléter diverses tâches d’inspection. L’outil de détection d’anomalies utilise la technologie du deep learning pour entraîner le modèle d’IA à partir d’images d’échantillons de tranches « parfaites ». L’outil d’augmentation de données simule des écarts potentiels des tranches afin d’élargir la base de données de scénarios de production et de renforcer la capacité de reconnaissance. Une fois entraîné, le modèle d’IA peut comparer l’échantillon de référence avec une image numérisée pour identifier et localiser des défauts, tels que des microfissures sur le bord d’une puce encapsulée, sans être affecté par la qualité de l’imagerie ou par des couleurs presque identiques.
Inspection par IA
Image Numérisée
Résultat de Détection
