康耐視部落格

使用機器視覺與深度學習,獲得半導體製造業競爭優勢

Semiconductor Manufacturing Large

晶片需求反彈躍升的情況,讓全球的製造產能嚴重吃緊。只要能讓晶片製造流程更迅速、更有效率且更便宜,就能取得競爭優勢。

越來越精密複雜且配備深度學習工具的視覺系統,能夠在短時間內,大幅改善產能、改善對位、可追溯性及缺陷探測。

對位

矽晶圓是以一系列步驟製造而成,各步驟都會在前一層上面,再覆蓋另一層材料,因此每一層都必須精確對位。

半導體對位

晶圓 Notch 定位

整體的晶圓對位通常是透過檢查 Notch 的方向來完成。傳統方法不僅體積龐大、進行速度緩慢,也難以處理越來越常見的透明晶圓。

康耐視 In-Sight 視覺系統配備 PatMax 演算法,可架設在狹小的空間內,而且 Notch 不論朝向何方,都能可靠地探測出來。

晶圓和晶粒對準

晶圓對位不良會在光刻、探測和測試,還有切割期間造成問題,導致產生缺陷和廢料。

康耐視的 PatMax 幾何圖案定位演算法能以高準確度且一貫的方式,尋找和對準各種不同的晶圓與晶粒圖案,改善品質與成品率。

識別/可追溯性

為了確保製造效率、測量產品的品質和遏止偽造品,晶圓、晶圓載具、引線架構、晶粒、積體電路 (IC) 及印刷電路板 (PCB) 都會有機器可讀的識別條碼,以及人類可讀的英數字元,以供追蹤之用。

這些條碼可能難以讀取,或在製造流程期間出現磨損,使得光學字元讀取 (OCR) 讀取和解碼困難,且容易發生錯誤。

半導體可追溯性

晶圓 OCR

以鐳射標記的英文、數字或 DataMatrix ID,可以在製造至切割期間追蹤矽晶圓。晶圓表面會反光,而且條碼可能會在光罩、刻蝕及光刻期間劣化。

康耐視晶圓讀碼器使用晶圓專用的探測演算法,來處理 OCR 與二維碼兩者。可調整集成光源與圖像處理功能可讓漏讀情況減至最少。

晶圓載環 OCR

由於晶圓本身以鐳射標記的 ID 在切割之後便無法使用,所以在切割到進行引線接合的期間,會由標有 ID 的載環運送晶圓。切割後清潔載環會讓上面的條碼劣化,而在誤讀條碼時,造成自動化流程速度變慢。

模稜兩可的英數字元與載環表面變化,使傳統機器視覺難以辨識條碼。智慧型相機搭配使用 Cognex Deep Learning 的 OCR 工具,即使是嚴重受損條碼,也都能辨識。

IC (積體電路) 追蹤

IC 中的晶片會與稱為引線架構的金屬基材接合,用於連接和支撐。以鐳射在引線架構刻出的二維 DataMatrix 條碼,在生產期間的劣化程度,還有引線架構本身的低對比與反光特性,都讓這些條碼難以讀取。

康耐視圖像式讀碼器搭配有彈性的光源與光學件配置,使用領先業界的演算法,即使面對難讀的二維 DataMatrix 條碼也能解碼。

IC OCR

完成封裝測試之後,都會在每顆晶片上模壓英數條碼,以在 PCB 上組裝晶片時提供可追溯性和驗證。這些條碼可能會因為環境層壓而變形,還會因為表面相當粗糙而使可讀性降低。

Cognex Deep Learning 的 OCR 工具可迅速完成訓練,學會讀取反光且粗糙背景上的變形、歪斜及低對比條碼,還可以針對新的表面迅速重新訓練。

瑕疵檢測

在生產流程及早識別出缺陷,同時將單純的外觀瑕疵視為合格,可以將重工和人工檢測作業減至最少,進而增加每片晶圓的成品率。

 半導體缺陷檢驗

晶圓缺陷檢驗

晶圓的每一層都必須在檢測之後,才能再繼續沉積下一層。出現缺陷的範圍廣大,缺陷也可能出現在上一層背景的任意位置。

Cognex Deep Learning 的缺陷探測工具透過沒有缺陷的晶圓層圖像集進行訓練,隨即學會尋找和識別晶圓層任意處的缺陷,以及剔除異常。

探針標記

在準備晶粒之前用於晶圓測試的探針,所留下的標記形狀可揭露探針是否對晶圓施加不正確的壓力,其為探針故障的早期徵兆。

Cognex Deep Learning 的分類工具可區分樣態繁多的合格與不合格標記,能夠及早修正探針,提高探針壽命與晶圓成品率。

晶粒邊緣

晶圓晶粒可能會碎裂,或在切口沿線留有毛邊。這類缺陷多變,而且難以使用傳統機器視覺用一貫的方式探測。

Cognex Deep Learning 的分類工具可以區分碎裂和毛邊缺陷,還有樣態繁多的正常切口痕跡。還可以偵測切割刀片逐漸磨損的情況,以在錯誤率升高之前替換。

晶粒表面

每顆晶粒或晶片可能出現樣態繁多的明顯表面缺陷,但也會出現不影響功能的外觀瑕疵。傳統機器視覺與人工檢測人員難以區分它們。

Cognex Deep Learning 的缺陷探測工具可以探測不可接受的異常並加以標示,同時將單純的塗裝缺陷視為合格。

引線接合

引線接合可以將晶片連接到引線架構,然後再連接至其他組件。缺陷會造成訊號中斷傳輸。缺陷範圍廣泛多樣,還會與不影響功能的塗裝缺陷重疊。

結合使用 Cognex Deep Learning 的缺陷探測與分類工具,可以擷取異常的區域,然後再區分合格與不合格的引線接合。

半導體引線接合

WLCSP (晶圓級晶片尺寸封裝) 側壁

晶圓級晶片尺寸封裝是當積體電路與晶圓仍為一體時進行封裝的方式。側壁裂縫會讓性能下降,但分層邊界與裂縫兩者很難區分。

Cognex Deep Learning 的缺陷探測工具可準確地區分側壁裂縫與分層邊界。

IC (積體電路) 封膠

將積體電路封在塑料內加以保護。樣態各異的裂縫、變形及氣泡都會影響保護效果,但流程可能會留下不影響功能的塗裝缺陷。

Cognex Deep Learning 的缺陷探測工具可以探測功能性異常,同時將單純的外觀瑕疵視為合格。分類工具可用來識別特定缺陷類型,以解決生產問題。

IC (積體電路) 引線

缺少或彎折的晶片針腳會讓晶片無法運作。針腳缺陷的樣態與可能出現的位置繁多,挑戰傳統機器視覺的能力。

Cognex Deep Learning 的缺陷探測工具可以迅速探測異常,並將針腳有缺陷的晶片剔除。

透過機器視覺改善半導體處理產量

特別是配備 Cognex Deep Learning 工具的康耐視機器視覺系統,在從晶圓到製成 PCB (印刷電路板) 的每個步驟,不僅可以改善矽晶圓對位、能準確追蹤晶圓與晶片,還可以探測和分類樣態繁多的缺陷。只要投入最少的資金成本,便能在半導體供應鏈的每個步驟看到改善。

其他文章

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们