CN115035101A - 半导体芯片载板的缺陷验证方法、检测方法及aoi设备 - Google Patents

Abstract

本发明公开了一种半导体芯片载板的缺陷验证方法、检测方法及AOI设备，验证方法包括以下步骤：对缺陷检测中的载板进行扫描，得到载板的扫描图像，并对扫描图像进行缺陷识别，得到缺陷识别结果；对扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；遍历子图像集中的每一个子图像，将一子图像输入预先完成训练的AI模型，AI模型被配置为对预先定义的缺陷类型进行识别，若AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像。本发明提供的验证方法、检测方法及AOI设备通过AI算法提前将关键缺陷识别进行标记，以避免人工核查同一个IC单元上的其他缺陷，大大减少人工验证时间。

Description

半导体芯片载板的缺陷验证方法、检测方法及AOI设备

技术领域

本发明涉及IC载板检测技术领域，尤其涉及半导体芯片载板的缺陷验证方法、检测方法及AOI设备。

背景技术

目前IC载板通常使用AOI设备进行检测，在检测过程中，针对出现的缺陷，通常需要人工验证才能最终判别，以减少机器误判的风险，但是实际应用中，由于载板上可能出现的缺陷的种类繁多，操作人员难以快速判别，大大增加了工作难度和工作量。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明的目的在于提供了一种半导体芯片载板的缺陷验证方法、检测方法及AOI设备，通过AI算法优化操作人员的核查顺序，以大大减少其工作量。

为达到上述目的，本发明采用的技术方案如下：

一种半导体芯片载板的缺陷验证方法，半导体芯片载板上排列有多个IC单元，所述缺陷验证方法包括以下步骤：

利用AOI设备对缺陷检测中的载板进行扫描，得到所述载板的扫描图像，并使用AOI设备中的检测模型对所述扫描图像进行缺陷识别，得到缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；

遍历所述子图像集中的每一个子图像，包括：将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；

根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

根据本发明的另一方面，提供了一种半导体芯片载板的缺陷验证方法，半导体芯片载板上排列有多个IC单元，所述缺陷验证方法包括以下步骤：

利用AOI设备对缺陷检测中的载板进行扫描，得到所述载板的扫描图像，并使用AOI设备中的检测模型对所述扫描图像进行缺陷识别，得到缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；

遍历所述子图像集中的每一个子图像，包括：将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；

操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

进一步基于上述两种验证方法，若一IC单元被标记为废弃单元，则后续检测或修复流程中直接跳过该IC单元。

进一步地，将与该子图像对应的IC单元标记为废弃单元之前还包括：显示所述AI模型识别到的缺陷，由操作人员验证该缺陷是否属于预先定义的缺陷类型，若是，则将与该子图像对应的IC单元标记为废弃单元。

进一步地，若所述操作人员验证该缺陷不属于预先定义的缺陷类型，则停止将与该子图像对应的IC单元标记为废弃单元。

进一步地，所述缺陷识别结果还包括缺陷类型，若操作人员对显示的缺陷进行验证的结果与所述缺陷识别结果的缺陷类型一致，则验证通过，否则对该缺陷进行复核。

进一步地，利用AOI设备对缺陷检测中的载板进行扫描，并对所述扫描图像进行缺陷识别；

若操作人员对显示的缺陷进行验证的结果与所述缺陷识别结果的缺陷类型不一致，则由复核人员对显示的缺陷进行识别，若复核人员的识别结果与所述缺陷识别结果的缺陷类型不一致，则以复核人员的识别结果作为该缺陷图像的标签，得到一学习样本；

并将该学习样本加入AOI设备的训练样本集，利用更新后的训练样本集对AOI设备中的检测模型进行再训练。

进一步地，所述预先定义的缺陷类型包括开路类型和/或短路类型。

进一步地，所述AI模型仅专注于学习开路和/或短路的缺陷特征，所述AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和/或短路。

进一步地，若所述操作人员验证该缺陷不属于预先定义的缺陷类型，则以操作人员的验证识别结果作为该子图像的标签，得到一学习样本；

并将该学习样本加入所述AI模型的训练样本集，利用更新后的训练样本集对所述AI模型进行再训练，以优化所述AI模型。

根据本发明的再一方面，提供了一种半导体芯片载板的缺陷检测方法，利用所述的缺陷验证方法，得到缺陷检测结果。

根据本发明的又一方面，提供了一种AOI设备，包括图像扫描器、缺陷识别模块和AI模块，所述图像扫描器、缺陷识别模块、AI模块之间两两通信连接，

所述图像扫描器通过对载板扫描得到所述载板的扫描图像，所述缺陷识别模块对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集，对每个子图像进行缺陷识别，得到初步的缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

AI模块遍历所述子图像集中的每一个子图像，AI模块内置AI模型，AI模块将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；

根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

根据本发明的再一方面，提供了一种AOI设备，包括图像扫描器、缺陷识别模块和AI模块，所述图像扫描器、缺陷识别模块、AI模块之间两两通信连接，

所述图像扫描器通过对载板扫描得到所述载板的扫描图像，所述缺陷识别模块对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集，对每个子图像进行缺陷识别，得到初步的缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

AI模块遍历所述子图像集中的每一个子图像，AI模块内置AI模型，AI模块将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；

操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

本发明提供的技术方案带来的有益效果如下：通过AI算法提前将关键缺陷识别进行标记，以避免人工核查同一个IC单元上的其他缺陷，大大减少人工验证时间。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的缺陷验证方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本发明的一个实施例中，提供了一种半导体芯片载板的缺陷验证方法，半导体芯片载板上排列有多个IC单元，比如，载板的尺寸为1m×1m，IC单元的尺寸为1cm×1cm，IC单元之间间隔1cm，并阵列排布在载板上。

对载板上的IC单元进行缺陷验证时，包括以下步骤：

对缺陷检测中的载板进行扫描，得到所述载板的扫描图像，并对所述扫描图像进行缺陷识别，得到缺陷识别结果，所述缺陷识别结果包括缺陷位置信息，一个缺陷位置对应一个IC单元；

对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；遍历所述子图像集中的每一个子图像，参见图1，将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种，本实施例将预先定义的缺陷类型称作为关键缺陷，其选取规则为将当前技术无法修复的缺陷、具有严重安全隐患的缺陷、修复成本高于目前成本的缺陷等等，经过操作员根据检测型号筛选确认后才能作为关键缺陷。例如，所述预先定义的缺陷类型包括开路类型和短路类型，此时需要AI模型仅专注于学习开路和短路的缺陷特征，AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和短路，以提高AI模型的识别准确率。

在利用AI模型识别以节省人工验证工作量时，具体包括但不限于以下两种方式：

（1）若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

在这种实施方式中，AI模型会先把每个子图像识别判断后，将废弃单元都标记来，然后操作员可以直接跳过废弃单元直接验证其他IC单元的缺陷情况。该实施方式对运行AI模型的处理器的算力要求较大，需要短时间结束运算，但是可以快速存储多张载板的识别信息，以便将其发送给不同的操作人员进行核查，以提高整体的速度。

（2）若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

与上个实施方式不同的在于，本实施方式中，一个IC单元先经过AI模型判别，然后根据判别结果和先前的缺陷识别结果决定是否需要人工验证，都结束后在进行下一个子图像的处理。本实施方式对运行AI模型的处理器的算力要求较小，一个处理完后再进行下一个，也可以在人工验证的时候提前识别出下一个子图像的结果，时效性较强，使得操作人员必须一个个验证过去，避免由于人员疲惫漏看的情况，提高了验证精准性。

需要说明的是，在上面的两个实施例中，每个IC单元都会先经过AOI的初步识别，再经过AI模型判别，将两种判别结果进行整合，减少人工验证的工作量，以快速完成整体的验证流程。

在以上两者种实施例中，若一IC单元被标记为废弃单元，则表明该IC单元不具备后续投入价值，后续检测或修复流程中直接跳过该IC单元，以节约时间和成本。

在一个优选实施例中，将与该子图像对应的IC单元标记为废弃单元之前还包括：显示所述AI模型识别到的缺陷，由操作人员验证该缺陷是否属于预先定义的缺陷类型，若是，则将与该子图像对应的IC单元标记为废弃单元。若所述操作人员验证该缺陷不属于预先定义的缺陷类型，则停止将与该子图像对应的IC单元标记为废弃单元，并且以操作人员的验证识别结果作为该子图像的标签，得到一学习样本；并将该学习样本加入所述AI模型的训练样本集，利用更新后的训练样本集对所述AI模型进行再训练，以优化所述AI模型。言而简之，将其标记为废弃单元需要经过操作人员的确认，若一致则直接废弃，否则需要走常规验证流程，并且需要对AI模型进行优化，提高模型的识别的准确率。

在本发明的一个实施例中，利用AOI设备对缺陷检测中的载板进行扫描，并对所述扫描图像进行缺陷识别，以得到缺陷识别结果，所述缺陷识别结果包括缺陷类型和位置信息，若操作人员对显示的缺陷进行验证的结果与所述缺陷识别结果的缺陷类型一致，则验证通过，否则由复核人员对显示的缺陷进行识别，若复核人员的识别结果与所述缺陷识别结果的缺陷类型不一致，则以复核人员的识别结果作为该缺陷图像的标签，得到一学习样本；并将该学习样本加入AOI设备的训练样本集，利用更新后的训练样本集对AOI设备中的检测模型进行再训练。本实施例通过人工验证的反馈，提高了AOI设备初步检测的准确性。

在本发明的一个实施例中，提供了一种半导体芯片载板的缺陷检测方法，将上述实施例中缺陷验证方法的所有特征引入本实施例中，在此不再赘述，本实施利用所述的缺陷验证方法，得到缺陷检测结果。

在本发明的一个实施例中，提供了一种AOI设备，包括图像扫描器、缺陷识别模块和AI模块，所述图像扫描器、缺陷识别模块、AI模块之间两两通信连接，所述图像扫描器通过对载板扫描得到所述载板的扫描图像，所述缺陷识别模块对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集，对每个子图像进行缺陷识别，得到初步的缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

AI模块遍历所述子图像集中的每一个子图像，AI模块内置AI模型，AI模块将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型的数量小于四种，例如，取包括短路类型和开路类型。

在利用AI模型识别以节省人工验证工作量时，具体包括但不限于以下两种方式：

（1）若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

（2）若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

本发明提供的半导体芯片载板的缺陷验证方法、检测方法及AOI设备通过AI算法提前将关键缺陷识别进行标记，以避免人工核查同一个IC单元上的其他缺陷，大大减少人工验证时间。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (11)

1.一种半导体芯片载板的缺陷验证方法，半导体芯片载板上排列有多个IC单元，其特征在于，所述缺陷验证方法包括以下步骤：

利用AOI设备对缺陷检测中的载板进行扫描，得到所述载板的扫描图像，并使用AOI设备中的检测模型对所述扫描图像进行缺陷识别，得到缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；

遍历所述子图像集中的每一个子图像，包括：将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型包括开路类型和/或短路类型，所述AI模型仅专注于学习开路和/或短路的缺陷特征，所述AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和/或短路；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；

根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

2.一种半导体芯片载板的缺陷验证方法，半导体芯片载板上排列有多个IC单元，其特征在于，所述缺陷验证方法包括以下步骤：

利用AOI设备对缺陷检测中的载板进行扫描，得到所述载板的扫描图像，并使用AOI设备中的检测模型对所述扫描图像进行缺陷识别，得到缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集；

遍历所述子图像集中的每一个子图像，包括：将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型包括开路类型和/或短路类型，所述AI模型仅专注于学习开路和/或短路的缺陷特征，所述AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和/或短路；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；

操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

3.根据权利要求1或2所述的缺陷验证方法，其特征在于，若一IC单元被标记为废弃单元，则后续检测或修复流程中直接跳过该IC单元。

4.根据权利要求1或2所述的缺陷验证方法，其特征在于，将与该子图像对应的IC单元标记为废弃单元之前还包括：显示所述AI模型识别到的缺陷，由操作人员验证该缺陷是否属于预先定义的缺陷类型，若是，则将与该子图像对应的IC单元标记为废弃单元。

5.根据权利要求4所述的缺陷验证方法，其特征在于，若所述操作人员验证该缺陷不属于预先定义的缺陷类型，则停止将与该子图像对应的IC单元标记为废弃单元。

6.根据权利要求1或2所述的缺陷验证方法，其特征在于，所述缺陷识别结果还包括缺陷类型，若操作人员对显示的缺陷进行验证的结果与所述缺陷识别结果的缺陷类型一致，则验证通过，否则对该缺陷进行复核。

7.根据权利要求6所述的缺陷验证方法，其特征在于，若操作人员对显示的缺陷进行验证的结果与所述缺陷识别结果的缺陷类型不一致，则由复核人员对显示的缺陷进行识别，若复核人员的识别结果与所述缺陷识别结果的缺陷类型不一致，则以复核人员的识别结果作为该缺陷图像的标签，得到一学习样本；

并将该学习样本加入AOI设备的训练样本集，利用更新后的训练样本集对AOI设备中的检测模型进行再训练。

8.根据权利要求4所述的缺陷验证方法，其特征在于，若所述操作人员验证该缺陷不属于预先定义的缺陷类型，则以操作人员的验证识别结果作为该子图像的标签，得到一学习样本；

并将该学习样本加入所述AI模型的训练样本集，利用更新后的训练样本集对所述AI模型进行再训练，以优化所述AI模型。

9.一种半导体芯片载板的缺陷检测方法，其特征在于，利用如权利要求1或2所述的缺陷验证方法，得到缺陷检测结果。

10.一种AOI设备，其特征在于，包括图像扫描器、缺陷识别模块和AI模块，所述图像扫描器、缺陷识别模块、AI模块之间两两通信连接，

所述图像扫描器通过对载板扫描得到所述载板的扫描图像，所述缺陷识别模块对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集，对每个子图像进行缺陷识别，得到初步的缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

AI模块遍历所述子图像集中的每一个子图像，AI模块内置AI模型，AI模块将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型包括开路类型和/或短路类型，所述AI模型仅专注于学习开路和/或短路的缺陷特征，所述AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和/或短路；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，并遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历；

根据所述缺陷识别结果的缺陷位置信息，显示所述扫描图像上被标记为废弃单元以外的其他IC单元处的缺陷，由操作人员对显示的缺陷进行验证。

11.一种AOI设备，其特征在于，包括图像扫描器、缺陷识别模块和AI模块，所述图像扫描器、缺陷识别模块、AI模块之间两两通信连接，

所述图像扫描器通过对载板扫描得到所述载板的扫描图像，所述缺陷识别模块对所述扫描图像进行分割，得到对应各个IC单元的子图像，组成子图像集，对每个子图像进行缺陷识别，得到初步的缺陷识别结果，所述缺陷识别结果包括缺陷位置信息；

AI模块遍历所述子图像集中的每一个子图像，AI模块内置AI模型，AI模块将一子图像输入预先完成训练的AI模型，所述AI模型被配置为对预先定义的缺陷类型进行识别，所述预先定义的缺陷类型包括开路类型和/或短路类型，所述AI模型仅专注于学习开路和/或短路的缺陷特征，所述AI模型预先训练所使用的训练样本集中样本图像所具有的缺陷仅包括开路和/或短路；若所述AI模型识别到该子图像存在缺陷，则将与该子图像对应的IC单元标记为废弃单元，否则，根据所述缺陷识别结果的缺陷位置信息判断该子图像是否存在缺陷，若是，则显示该子图像的缺陷，由操作人员对显示的缺陷进行验证；

操作人员对显示的缺陷完成验证后，或者当该子图像不存在缺陷时，遍历下一个子图像，直至所述子图像集中的全部子图像完成遍历。

Images