กรณีศึกษา

เมื่อการผลิตเซมิคอนดักเตอร์มีความซับซ้อนมากขึ้น กระบวนการผลิตเฟรมลีดก็จำเป็นต้องแม่นยำและมีอัตราผลิตที่สูงขึ้นตามไปด้วย

SolVision ช่วยให้สามารถตรวจสอบด้วยภาพผ่านการวิเคราะห์ด้วย AI เสริมความน่าเชื่อถือของข้อมูลด้านตำแหน่งและมุม เพื่อระบุผลิตภัณฑ์ที่มีข้อบกพร่องและข้อผิดพลาดในกระบวนการ die bonding ได้อย่างแม่นยำ

การตรวจจับข้อบกพร่องอัตโนมัติด้วย AI สำหรับการตรวจสอบด้วยภาพของถาดรองเซมิคอนดักเตอร์

โดยใช้ SolVision’s AI Inspection Solution การตรวจจับข้อบกพร่องขนาดเล็ก เช่น รอยขีดข่วนละเอียด สามารถระบุและทำเครื่องหมายในภาพตัวอย่างเพื่อฝึกโมเดล AI ได้

โดยใช้เครื่องมือการแบ่งส่วนอินสแตนซ์ (Instance Segmentation) ของ SolVision ข้อบกพร่องเช่น เส้นที่ไม่สม่ำเสมอและข้อบกพร่องจากการเจาะหลายจุดจะได้รับการทำเครื่องหมายในภาพตัวอย่างเพื่อฝึกโมเดล AI

เวเฟอร์ที่มีข้อบกพร่องมักจะมีข้อบกพร่องเล็กน้อยที่กระจายอยู่ทั่วพื้นผิว ซึ่งทำให้ระบบ AOI ไม่สามารถตั้งกฎสำหรับการตรวจสอบที่มีประสิทธิภาพได้

กาวที่มากเกินไปอาจจะเหลืออยู่บนชิปหรือไหลล้นออกมาบนแผงวงจรและทำให้ชิปเอียง ส่งผลกระทบต่อความเสถียรของแพ็กเกจเซมิคอนดักเตอร์ทั้งหมด

เครื่องมือ Anomaly Detection ใช้เทคโนโลยี Deep Learning เพื่อสอนโมเดล AI ด้วยภาพของเวเฟอร์ที่สมบูรณ์

ตำแหน่ง ขนาด และรูปร่างของรอยร้าวเปลี่ยนไปในแต่ละครั้ง และการตรวจสอบด้วยระบบภาพแบบดั้งเดิมไม่สามารถระบุข้อบกพร่องที่ไม่แน่นอนได้อย่างแม่นยำ