半導體業

SolVision AI CMP 品質檢測可偵測晶圓刮傷與污染，克服傳統規則式 AOI 在半導體檢測中的限制。

由於晶粒邊緣崩裂瑕疵出現的位置及型態不固定，以致傳統光學檢測無法精準地將瑕疵檢出，影響整體產品良率。運用SolVision AI影像技術，將影像樣本中的瑕疵特徵予以標註，完成訓練的AI模型即可自動檢出並標註晶粒邊緣崩裂瑕疵的位置，大幅降低晶片在後續封裝製程中斷裂的風險。

由於晶粒邊緣崩裂瑕疵出現的位置及型態不固定，以致傳統光學檢測無法精準地將瑕疵檢出，影響整體產品良率。運用SolVision AI影像技術，將影像樣本中的瑕疵特徵予以標註，完成訓練的AI模型即可自動檢出並標註晶粒邊緣崩裂瑕疵的位置，大幅降低晶片在後續封裝製程中斷裂的風險。

晶圓切割係半導體及光電業界非常重要的製程，若無法在切割製程中維持高良率、高效率並保有晶片特性，將大幅影響整體產能。晶圓切割刀的品質控管主要透過外觀瑕疵的檢測，常見的外觀瑕疵包括刀體上的不規則紋路、多鑽等情形。由於有環狀條紋，形成複雜影像背景，嚴重影響機器視覺對於瑕疵的偵測。

固晶是晶片封裝製程中的重要技術，固晶的精準與否，是半導體封裝產線中產品良率的成敗關鍵。但是傳統光學檢測無法利用撰寫邏輯的方式偵測角度、位移偏差及缺漏等瑕疵，時常造成漏檢、誤判、錯誤定位等缺失，大大影響封裝產線的生產效率。

傳統光學檢測無法針對全幅影像進行分類，故無法於第一階段汰除瑕疵過多的晶圓。應用SolVision AI影像平台技術辨識瑕疵特徵。首先判斷晶圓是否具有過多瑕疵，汰除無法修復的不良品。其次運用影像處理技術分割晶圓影像，並以工具偵測瑕疵，記錄其特徵、坐標、面積等資訊，大幅提升後續修補的效率。

固晶接著劑透明，易造成光源折射影響特徵判斷，且爬膠、溢膠不具固定位置及型態，無法創建規則執行傳統光學檢測AOI。運用Solomon SolVision AI影像平台技術建立AI學習模組，自動學習並偵測爬膠、溢膠的特徵及位置。增加多項正確類別提升辨識強度，有效降低環境因素的干擾。

導線架表面的各類瑕疵，包含邊緣毛邊、黑點雜質、刮痕等。若使用傳統的AOI檢測，當檢測背景與瑕疵較為相近時，容易發生漏檢的情形。使用SolVision AI瑕疵檢測工具進行學習，以擴增功能增加AI學習範圍，能有效檢測出各類導線架瑕疵，在雜亂或複雜背景中，也能精確辨識有很好的辨識效果。

晶片承載盤是半導體加工製程的關鍵要素，晶片承載盤的輪廓與定位孔點常因作業造成瑕疵，過去多透過AOI光學檢測方式予以檢查。然而承載盤不易透過AOI檢出並定位瑕疵，嚴重影響良率及生產效率。運用SolVision AI影像技術執行缺陷檢測，以利使用者即時監測並排除承載盤異常。