black and white labeled box

SolVision成功案例

晶圆研磨瑕疵检测解决方案

化学机械平坦化(CMP)的AI辅助品质管控

半导体制造关键:
化学机械平坦化(CMP)影响晶元良率

化学机械平坦化(Chemical Mechanical Planarization, CMP)是半导体制造中不可或缺的製程之一,目的是为改善前製程的微小缺陷。于晶圆上完成一层积体电路后,需透过CMP将表面研磨整平,方可制作下一层积体电路。然而,研磨液中过大的颗粒及微粒凝聚体可能造成晶圆上的微划痕,是CMP製程中最主要的瑕疵类型。

Quality control of chemical mechanical polishing (CMP) processes

CMP制程中,晶圆研磨痕迹让传统AOI难以检测瑕疵

CMP製程中的瑕疵包括微划痕、微粒残留及研磨垫碎屑等。研磨完成后,晶圆会生成极浅且轨跡雷同的研磨痕迹跡,形成影像中的复杂背景,又由于各式瑕疵的形态及位置不固定,使微划痕等瑕疵无法被轻易检出。除了微划痕外,晶圆表面常见瑕疵还包含白色脏污、黑色脏污、水痕、气泡等,种类繁多且复杂,没有既定的特征点,更没有固定的形态,传统AOI即使耗费大量人力撰写编写算法,仍无法精准检测整张晶圆影像的瑕疵资讯。

所罗门AI瑕疵检测,让晶圆瑕疵无所遁形

运用所罗门 SolVision  AI影像平台的实例切割技术,定位并標註晶圆上的微划痕以及脏污等影像特徵,并借以训练AI模型。即便在具有研磨痕迹的影像背景之下,依然可以借由AI视觉轻易地检出深、浅的微划痕及其他脏污瑕疵,并精准地检测出瑕疵所在位置与面积。

晶圆研磨瑕疵检测案例

刮痕

Wafer grinding defect detection case

Wafer grinding defect detection case
相关文章
  • multicolored electronic part

    电源供应器内部线材组接解决方案

    电源供应器内部组件及线路多元且复杂,检测接点时容易受到背景干扰而影响视觉判断。额外使用人工及AOI传统光学检测皆不易执行,难以于产线端有效管控产品质量。经训练的AI模型可以精准地侦测并定位线材错接的电源供应器接线瑕疵,实时将不良品检出。
  • SMT制程的回焊短路检测解决方案

    运用AI视觉检测IC Pin脚间的焊锡相连情形 什么是SMT(Surface Mount Technology)表面贴焊(装)技术? 表面黏著技术,是一种电子装联技术,起源于1960年代,最初由美国IBM公司进行技术研发,之后于1980年代后期渐趋成熟。此技术是将电子元件,如电阻、电容、电晶体、积体电路等等安装到印刷电路板上,并通过钎焊形成电气联结。其使用之元件又被简称为表面安装元件。 PCB可靠度的第一道关卡:SMT制程 SMT表面贴装技术(Surface Mount Technology,SMT)是电子业的组装焊接技术之一,以锡膏印制、点胶、零件组装、热风回焊等制程将电子零组件与PCB结合。然而回焊制程中,相邻的锡球稍有不慎即会造成短路。由于PCB上元件繁多,若能即时检出短路情形并排除障碍点,将能大幅提升产线效能。 IC PIN角瑕疵检测案例 正确 NG: 焊锡相连 NG: 焊锡相连
  • 组装电路板(PCBA)制程优化解决方案

    利用AI视觉检测PCBA插件是否正确 什么是PCBA?PCB、电路板、PC板? PCB与PCBA的差异就在「PCBA = PCB + Assembly」,也就是没有组装电子元件的板子叫PCB,而已经组装完成电子元件的板子则称之为PCBA。PCBA其实是「Printed Cicrcuit Board Assembly」的英文缩写,也有人简略一点叫它PCA,当然也有人叫它PWA (Printed Wire Assembly),中文我们一般称它为「组装电路板」或「组装板」,不过业界中少人用以上的中文来称呼PCBA的,一般如果一台整机内只有一片板子,会直接叫它「主板(Main board)」或直接省略叫「板子」,如果有两片以上PCBA ,则会用功能来区分主板、IO板、充电板(charging board)。 PCBA插件是否正确影响制程良率 PCBA上面集成了不同功能的电子元件、插槽及各种芯片组,制造流程繁琐,如何提升插件及组装的正确率,是良率提升的关键。 PCBA 插件缺陷检测 PCBA标准样本 PCBA缺陷样本 Capacitor Defect Missing Components
  • Multi Colored Plastic Round Toy

    纱线瑕疵检测的最佳解决方案

    保有生产效益的同时兼顾纱线质量,是纺织业者最大挑战。现今纱场依以人工检测为主,漏检率高且工时长,不利实际质量要求,传统AOI面对不固定瑕疵时亦难以检测,误判率高。使用SolVision工具使AI学习辨识瑕疵特征,快速且精准地找出各项缺陷,有效改善检测速率、成品良率并降低品检负担。