TW202208839A - 自動化目視檢測系統 - Google Patents

自動化目視檢測系統 Download PDF

Info

Publication number
TW202208839A
TW202208839A TW110119162A TW110119162A TW202208839A TW 202208839 A TW202208839 A TW 202208839A TW 110119162 A TW110119162 A TW 110119162A TW 110119162 A TW110119162 A TW 110119162A TW 202208839 A TW202208839 A TW 202208839A
Authority
TW
Taiwan
Prior art keywords
component
avi
inspection
defect
data collection
Prior art date
Application number
TW110119162A
Other languages
English (en)
Inventor
柯林 麥可 安德森
羅德里克 莫斯利
Original Assignee
美商蘭姆研究公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商蘭姆研究公司 filed Critical 美商蘭姆研究公司
Publication of TW202208839A publication Critical patent/TW202208839A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G01N2021/9518—Objects of complex shape, e.g. examined with use of a surface follower device using a surface follower, e.g. robot
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
    • G01N2021/9542—Inspecting the inner surface of hollow bodies, e.g. bores using a probe
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

各種示例包含系統、設備、及方法用以執行承受製造的各種階段之組件的自動化目視檢測。在一示例中，一檢測系統包含數個機器人，各自具有一照相機，用以針對製造的各種階段檢測一組件。通常，該等照相機各者係定位在與該組件的製造中的各種階段對應之不同地理位置。該等照相機的至少一些係配置以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。該系統亦包含對應資料收集站，電耦接至該數個機器人各者及該等照相機的相關聯者。一主資料收集站係電耦接至資料收集站各者。其他系統、設備、及方法亦加以揭露。

Description

自動化目視檢測系統
相關申請案的交互參照：本專利申請案主張西元2020年5月29日申請的發明名稱為「AUTOMATED VISUAL-INSPECTION SYSTEM」的美國臨時專利申請案第63/032,243號的優先權；在此藉由引用將該申請案內容全部納入。
所揭露的申請標的大致相關於製造之組件的檢測之領域。更特別是，在各種實施例中，所揭露的申請標的係關於半導體設備和相關產業之領域中所使用的組件的自動化檢測。
目前，當製造的組件經歷各種製造製程時，該組件可能在幾個供應者或在該等供應者其中一者以上的設施內的各種製程之間經過。該等供應者或製程其中各者通常具有在製造製程中特定階段與該組件相關聯的各種級別的檢測能力。然而，由於當前與各個檢測步驟相關聯的有限檢測能力，組件的受檢測區域可能只有1%或更少。如所屬技術領域具有通常知識者已知的，1%的檢測區域係關於僅提供4%的信賴水準（CI）。4%的CI 是一個統計指標，表明真正感興趣的參數在建議的1%檢測範圍內。因此，存在組件未受檢測之大的部分。這些未經檢測的區域經常具有高程度的微粒和其他缺陷類型，從而使該組件無法使用。此外，諸如半導體製程機台（例如，基於電漿的沉積機台）的複雜機器可能需要數十個組件。這些組件的大多數是由各種供應者製造的，這些供應者與機台的最終製造者是分別的實體。
例如，參考圖1，顯示當前在先前技術下執行的當前檢測程序100的高階概觀。該當前的檢測程序包括數個供應者101A到101C（或一個或多個供應者的設施內的各種製程）。供應者101A到101C的各者通常包括製造的各種階段的組件105A到105C的目視檢測103A到103C。由於人眼無法偵測到所有缺陷，因此可以用更詳細級別的檢測111B和111C來補充製造步驟其中一些。
更詳細級別的檢測111B和111C可以通過本領域已知的各種檢測手段來完成，例如通過顯微術、光學輪廓量測法、基於觸頭（stylus）的輪廓量測法、或其他技術。在一些情況下，可以藉由組件105A到105C的粗糙度量測來補充檢測手段。在其他情況下，僅執行組件105A至105C的粗糙度量測。然而，如上所述，更詳細的檢測或粗糙度量測的區域通常限於組件105A到105C的總面積的大約1％或更少。因此，大百分比之組件105A至105C可能沒有經受到任何詳細檢測。此外，許多檢測技術僅限於組件的頂部或平坦表面。此等檢測技術僅考慮組件的二維表面，因此諸如側壁、凹部、或凸部之三維態樣通常不會受到詳細檢測。
在執行目視檢測103A到103C以及詳細級別的檢測111B和111C步驟的時間段之後或期間，供應者101A到101C各者可以準備品質控制文件107A到107C並將該文件本地存儲在本地檔案存儲部109A到109C。
一旦組件的最終版本（例如，完成的組件155）交付給客戶151（例如，組件的終端使用者或使用該組件的一件設備的製造者（例如，原始設備製造商或OEM）），可以對完成的組件155執行最終目視檢測153和詳細級別的檢測161。根據客戶151的製程控制程序，可以生成品質控制文件157。接著，品質控制文件157可以本地地存儲在檔案資料庫159之中。
在此提供的先前技術章節大致是為了呈現本揭露內容的背景。應該注意的是，本章節中描述的資訊旨在為熟習此技藝者提供以下揭露之申請標的之若干背景，且不應將其視為承認的先前技術。更特別是，目前列名的發明人的作品，就其可能在此先前技術章節中描述的程度，以及在申請時不可以其他方式適格為先前技術之說明的實施態樣，既不明示也不暗示承認為對抗本揭露內容的先前技術。
在各種實施例中，揭露一種檢測系統，包含：多數個機器人，一個以上照相機係耦接至該多數個機器人其中相對應者之各者以針對製造的各種階段的缺陷而檢測一組件。該等照相機各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。該等照相機的至少一些係建構以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。一資料收集站係電耦接至該多數個機器人的相對應者之各者以及該等照相機的一相關聯者。一主資料收集站（可為本地或遠程的）係電耦接至該等資料收集站的各者。該主資料收集站可設置例如在該檢測系統本地附近，或相對於該檢測系統而加以遠程定位。
在各種實施例中，揭露一種操作一自動化目視檢測（AVI）系統的方法，用以偵測在一組件上的缺陷及特徵。該方法包含：校準該AVI系統；自該組件擷取多數個圖像；及將該多數個擷取的圖像各者加載進一程式，以針對在所擷取圖像之內缺陷的存在而分析所擷取圖像。所偵測特徵可使用本地機器學習推斷演算法加以分類為實際的缺陷，在以下詳細描述。
在各種實施例中，揭露一種自動化目視檢測（AVI）系統，用以偵測在一組件上的缺陷。該AVI系統包含：數個機器人，該多數個機器人各者具有安裝的照相機及鏡頭組合，以檢測在製造的各種階段承受製造步驟的該組件。該照相機包含一數位成像感測器。該數個機器人各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。該AVI系統亦包含：一資料收集站，電耦接至該數個機器人的相對應者之各者；及一主資料收集站，電耦接至該等資料收集站的各者。該資料收集站可包含軟體，其允許使用機器學習推斷演算法將特徵分類為缺陷。該主資料收集站可配置以將在該組件的製造的各種階段中的各個步驟的該組件的一理想化樣本與該組件的一實際版本進行比較。該主資料收集系統圖像可用以訓練該機器學習推斷演算法以改善缺陷識別的精確度。
下面的描述包括體現所揭露申請標的之各種實施態樣的說明性示例、裝置、設備、及方法。在以下描述中，出於解釋的目的，闡述了許多特定細節以提供對該發明申請標的之各種實施例的理解。然而，對於熟習此技藝者明顯的是，可以在沒有這些特定細節的情況下實現所揭露申請標的之各種實施例。此外，沒有詳細顯示眾所周知的結構、材料、及技術，以免混淆各種例示的實施例。當使用於此處，用語「約」或「大約」可意指例如在給定數值或數值範圍的+10%內的數值。
如上所述，用於檢測組件的當前方法可能是緩慢且勞力密集的。此外，組件的檢測通常僅限於組件表面積的大約1%或更少。因此，所揭露申請標的之各種實施態樣藉由在組件製造的各個階段中將各個組件的放大檢測區域增加到組件整個表面積的高達100%，來提高組件的檢測能力。藉由檢測100% 的組件，缺陷偵測數值係增加到95%或更高的信賴水準（例如，97%信賴水準、99% 信賴水準等等）。在閱讀和理解所揭露申請標的之後，如熟習此技術者能理解的，非接近經歷半導體製程的基板之組件的部分可能不需要檢測。例如，不與半導體處理機台中的製程腔室的內部部分接觸的窗口的外部部分可能未受到檢測，因為該外部部分可能對在腔室之內經受製程的基板不具效果。
現在參考圖2，顯示根據所揭露申請標的實施例的自動化檢測系統200的高階概觀的示例。圖2顯示包括多個供應者201A到201C（或一個或多個供應者的設施內的各種製程）。例如，組件205A的原始版本可以由供應者201A製造（例如，組件205A的銑削或機製加工版本）。可以執行一個以上額外製程或製造步驟，從而形成組件205B。此等額外製程或製造步驟可以包括例如鍍覆操作，例如藉由供應者201B在組件205A上形成塗層或鍍層。組件205B接著經歷關於供應者205C的一個以上額外製程或製造步驟。由供應者201C執行的此等額外製程或製造步驟可以包括例如銑削、研磨、拋光、或其他操作。該等額外製程或製造步驟各者可以由各種不同的供應者及/或一個或多個供應者的設施內的不同設施加以進行。在典型的生產操作中，與給定組件相關聯的序列號可能保持不變，但零件料號可能會根據此組件在製程中所處的階段而有所不同（例如，零件料號可能會在塗層或鍍層操作之後發生變化）。因此，對於給定組件可能有多個（例如，八個、九個或更多）零件料號，但序列號保持不變。此外，儘管僅示出了三個「供應者」，但熟習此技藝者將認識到，在製備一組件時可能涉及少至一個或任意數量的「供應者」。
繼續參考圖2，供應者201A到201C其中各者包括機器人檢測站203A到203C。機器人檢測站203A至203C將參考例如以下圖3A和3B更詳細地描述。然而，通常機器人檢測站203A至203C包括一個機器人，該機器人具有一個或多個照相機和一個或多個鏡頭組合（未顯示於圖2中，但參照圖3A及3B描述於後），其安裝在與安裝機器人到檢測台座之部分（亦未顯示於圖2）呈相反側的該機器人的一部分之上。亦即，該一個或多個照相機和一個或多個鏡頭組合係安裝在該機器人的一自由端，該自由端係遠離該機器人的受安裝部分。該機器人檢測站203A至203C其中各者的機器人具有多個關節（例如，六個、七個、八個、或更多個關節），且因此具有多個自由度。該多個自由度允許機器人在製造的各種階段期間檢測組件205A到205C的表面。例如，雖然在圖2中所示的組件205A到205C顯現為圓形、平坦零件，組件205A到205C各者可以具有一個或多個三維特徵（例如，參見圖3A）。因此，機器人可加以編程為自組件205A到205C上的表面的垂直、水平、及其他定向以預定距離進行掃描。
機器人檢測站203A到203C各者經由相應的通信媒介207A到207C電耦接到本地資料收集站209A到209C的相應一者。當組件205A至205C的圖像係由機器人加以收集之時，通信媒介207A至207C其中相應一個可以攜帶例如組件205A至205C的多個區域的序列化檢測圖像。
通信媒介207A到207C可以是有線的或無線的，其使用本領域已知的通信技術和協定。本地資料收集站209A至209C其中相應一者可以包括個人電腦、平板電腦、可編程邏輯控制器（PLC）、耦接到儲存-記憶體裝置的微處理器、或本領域已知的其他類型的處理裝置。下面參考圖7更詳細地描述一些類型的處理裝置。此外，在本地資料收集站209A到209C上存儲和分析從機器人檢測站203A到203C各者所收集的資料的方法係在下面參考圖5A到5G和圖6A到6C詳細描述。
一旦組件的最終版本（例如，完成的組件255）已經加以製造，完成的組件255的客戶251或終端使用者可以執行額外的檢測。例如，可以對完成的組件255執行目視檢測253和詳細級別的檢測261。詳細級別的檢測261可以藉由本領域已知的各種檢測手段來完成，例如藉由顯微術、光學輪廓量測法、基於觸頭的輪廓量測法，或者其他技術，包括分析技術，例如能量色散X射線光譜法（EDX）或X射線螢光法（XRF）———這兩者都是本領域已知的。在一些情況下，詳細級別的檢測261可以由完成的組件255的粗糙度量測加以補充。在其他情況下，僅執行完成的組件255的粗糙度量側。根據客戶251的製程控制程序，可以生成品質控制文件257。品質控制文件257接著可以本地地存儲在檔案資料庫259中。
如圖2所示，本地資料收集站209A到209C各者係耦接到基於遠程的主資料收集站273。主資料收集站273可以包括個人電腦、平板電腦、耦合到儲存-記憶體裝置的微處理器、或本領域已知的其他類型的處理裝置。此外，主資料收集站273在地理上可以位於與本地資料收集站209A到209C各者不同的地區或國家。然而，在各種實施例中，本地資料收集站209A至209C各者與基於遠程的主資料收集站273係彼此電子通信。在其他實施例中，本地資料收集站209A到209C各者係僅與基於遠程的主資料收集站273進行電子通信。此外，下面參考圖5A到5G更詳細地討論的資料組構（data fabric），可僅對基於遠程的主資料收集站273存取，或者對本地資料收集站209A到209C各者和基於遠程的主資料收集站273存取。
在特定的示例性實施例中，主資料收集站273可以位於例如待使用組件205A至205C的最終形式的製程機台的原始設備製造商（OEM）的設施之內。在此實施例中，OEM位置可以包括多個存儲資訊的資料庫，這些資訊可以用於分析組件205A到205C的最終形式的使用。
舉例來說，一製程監控資料庫275可以包含基於圖像品質的度量指標，其係針對 對應於組件205A到205C的不同完成階段的製造製程中的各個步驟的「黃金樣本」（例如，理想化樣本）應該如何呈現。接著，實質上即時地將圖像品量的度量指標與針對供應者201A到201C各者的組件205A到205C的不同階段的製造步驟進行比較。如下文更詳細描述的，生產或製造製程監控軟體（例如，資料組構）收集機器效能，以及從黃金樣本與組件205A到205C的比較所產生的組件變異性，以實質上即時地分析生產趨勢。該比較可以在任何指定的時間間隔或製造步驟期間對所有測量的參數（例如，粗糙度數值、缺陷位準、及自計劃尺寸的尺寸變異等等）加以執行。因此，在製造製程的各種階段，黃金樣本提供對於以下的比較：零件變異性、在供應鏈之內（例如，從一個供應者到選自供應者201A到201C之另一者）各個節點的缺陷性能（包括微粒（或凸點）和凹坑（或凹陷）），以及包括時間相依性（例如，統計製程控制（SPC））的各個組件的控制製圖。接著，該比較係加以監控是否變化超出了預定的變異程度或預定的公差數值。
繼續參考圖2，升級求解器（escalation-solver）資料庫277向主資料收集站273提供額外輸入。如果組件與製程監控資料庫275的比較未能符合在預定的變異性和公差限值之內的規格，升級求解器資料庫277可以提供可能的解答以傳送至供應者201到201C其中一適當者。
客戶缺陷資料資料庫279對例如安裝有完成的組件255的製程機台之內所產生的缺陷取相關性。例如，在特定示例性實施例中，如果完成的組件255代表安裝在基於電漿的製程機台之中的噴淋頭，則客戶缺陷資料資料庫279可以保有使用噴淋頭所處理的基板的記錄。如果客戶缺陷資料資料庫279指示顆粒正在從噴頭脫落並在所處理的基板上形成，則客戶缺陷資料資料庫279可以向主資料收集站273發送指示。主資料收集站273的操作者281接著可以對噴淋頭的製造製程可能如何產生從噴淋頭脫落的微粒取相關性。如下文更詳細描述的，該相關性可以幫助確定哪個或哪些製程產生了有缺陷的噴淋頭。在一些示例中，相關性還可用於生成可能需要由供應者201A至201C其中一個或多個納入的額外度量指標和測量。
在其他示例中，客戶缺陷資料資料庫279可以對在經處理基板上產生的缺陷與來自完成的組件255其中多個的交互作用取相關性。在該示例中，客戶缺陷資料資料庫279可以指示在基板上的缺陷係從完成的組件255其中多個的組合加以產生。繼續這個例子，主資料收集站273的操作者281可以嘗試對基板上的缺陷與由供應者201A到201C其中各種者所執行的製造步驟各種者取相關性。然而，操作者281可以確定組件205A到205C在製程監控資料庫275的所有製造步驟（例如，與黃金樣本相比）完全符合預定的變異性和公差限值。在這種情況下，操作者281可以確定完成的組件255其中一個或多個係不正確地安裝在客戶251的位點。在又其他示例中，操作者281可以確定組件205A到205C在所有製造步驟完全符合預定的變異性及公差限值，並且完成的組件255其中一個或多個係正確安裝在客戶251的位點。在這種情況下，可能需要一組修訂的預定變異性和公差限值以對應於新技術節點（例如，最小設計規則的減少）。
在各種實施例中，例如不同供應者之間的比較、特定零件料號及/或序列號之間的比較、以及不同時間段之間的比較（逐輪班、逐日、逐年等等）可加以執行。例如，在典型的生產操作中，與給定組件相關聯的序列號可能保持不變，但零件料號可以根據組件在製程中所處的階段而變化（例如，零件料號可能在塗層或鍍層操作之後變化）。因此，可能有針對一給定組件的多個（例如，八個、九個或更多）零件料號，但序列號保持不變。在此描述的揭露申請標的之各種實施例可以監控並且可以考量每個潛在變化。
根據發明人進行的分析，他們估計藉由納入使用自動化檢測系統 200的所揭露申請標的之各種實施例將實現十倍的勞力減少。例如，當前針對給定組件的總檢測時間大約是120 分鐘（兩個小時）。然而，如上所述，當前的檢測系統僅檢測該組件的大約1%。藉由使用這裡描述的系統和技術，在特定示例性實施例中，可以在大約12分鐘到25分鐘內完成100%的檢測。
此外，雖然圖2中僅顯示三個供應者（供應者201A至201C），所屬技術領域具有通常知識者在閱讀和理解所揭露的申請標的後將認識到所揭露的申請標的可應用於任何數量的供應者以及由一給定的供應者所執行的多個製程或步驟。
現在參考圖3A和3B，顯示根據所揭露申請標的之實施例的自動化檢測站的示例。舉例來說，圖3A顯示出了機器人站300的主要頂部四分之一視圖。此機器人站可以與圖2的機器人檢測站203A至203C相同或相似。圖3A係顯示為包括一機器人301、安裝到機器人301的遠端（與安裝端相反）的感測器303、及安裝到感測器303的鏡頭305。
如所屬技術領域具有通常知識者所理解的，基於鏡頭的檢測系統使用鏡頭305來收集從物體（例如，組件311）反射的光。熟習此技藝者認識到，瑞利解析度極限LR （基於鏡頭的系統可以分辨多小的特徵）係基於以下等式：
Figure 02_image001
其中λ 是用於照亮物體的光的波長，且NA 是鏡頭的數值孔徑。NA係關於在鏡頭與物體之間介質的折射率、及進入鏡頭的光角度：
Figure 02_image003
其中n 是鏡頭運作於其中之介質的折射率（例如，n 係對於空氣大約等於1.00，對於水大約等於1.33，且對於高折射率浸入油大約等於1.52）; 且θ 是可以進入（或離開）物鏡的光錐的最大半角。因此，隨著數值孔徑NA 增加，解析度極限LR 減小，從而允許檢測更小的特徵，例如缺陷。
然而，隨著NA 增加，景深（例如，圖像深度）和可視區域顯著減小。例如，根據以下等式，景深DOF 隨數值孔徑NA 的平方減小：
Figure 02_image005
因此，隨著解析度極限減小（允許對越來越小的特徵尺寸進行訊問（interrogation）），景深降低得更快。可視區域也相應減少。因此，所揭露申請標的提出一種系統，該系統允許檢測組件311上的小特徵但具有大的景深並且在有限的時間段內涵蓋大的檢測區域。
再次參考圖3A，機器人301係加以安裝到機器人支架302。在各種實施例中，機器人支架302可以具有與安裝台座307的最高高度實質上共平面的最高高度。然而，不存在共平面性的要求。舉例來說，在一些實施例中，機器人支架302的最高高度可以佈置為高於安裝台座307的最高高度。在其他實施例中，機器人支架302的最高高度可以佈置為低於安裝台座307的最高高度。
安裝台座係配置以固持待承受來自機器人301、感測器303、及鏡頭305的組合之檢測的組件311。該組件可以與圖2的組件205A至205C其中之一相同或相似。組件311可以藉由各種夾具類型（包括例如機械式夾具和磁性夾具）任何一者以上在安裝台座307上加以固定到位。如圖3A所示，機器人301可以將感測器303和鏡頭305定位在組件311的不直接面對安裝台座307的各種表面（例如，無論水平或垂直定向）附近。然而，如果期望對組件311進行更完整的檢測，可以重新定位組件311，使得最初定位成面向該台座的面現在可以背向該台座。感測器303和鏡頭305的定位係藉由機器人301來實現，該機器人旋轉和/或延伸構成機器人301的部分的多個關節其中一個或多個。
機器人301具有多個連桿以提供多個自由度。在示例性實施例中，機器人301包括協同作業機器人或「協作機器人（cobot）」。協作機器人是一類型的機器人，特別設計以在協作機器人與人類之間共用區域附近安全地工作。協作機器人的安全方面來自於在協作機器人的構造中使用輕質材料和/或對協作機器人運動的速度和力量施加限制。舉例來說，力的量可以限制為約50牛頓（約 11.2磅力（lbf）），扭矩限制為約10 N-m（約7.4 ft-lbf）。
在特定的示例性實施例中，機器人301可以包括由Universal Robots（可從Energivej, 25 DK-5260 Odense S, Denmark取得）製造的型號UR5e協作機器人。在此實施例中，機器人301具有約5kg（約11磅-質量（lbm））的最大有效負載、約850 mm（約33.5英寸）的伸距，且具有六個可旋轉關節。該六個可旋轉關節其中每一者具有大約+360度的工作範圍，最大速度大約為每秒180°。作為協作機器人，在本實施例中，機器人301具有在硬體與軟體之間分拆的17個可組態安全功能。此外，在此實施例中的機器人301係受認證為可在符合ISO 14644-1空氣清潔度分類標準的5級潔淨室中操作。
機器人支架302可以由所屬技術領域具有通常知識者在閱讀和理解所揭露申請標的之後可以理解的多種材料所構成。這種材料包括例如鋁和鋁合金、各種類型的金屬、及各種類型的塑膠。此外，如圖3A所顯示，安裝台座307包括多個減振支腳309。減振支腳309有助於至少部分地將組件311與外部振動的傳遞隔離，否則外部振動的傳遞可能會使由感測器303從組件311接收的圖像模糊或失焦。在其他實施例中，機器人支架302可以構成安裝台座307本身的一部分（例如，機器人支架302可以是安裝台座307的一端，在這種情況下，機器人支架302不是單獨的元件）。
感測器303可以包括本領域已知的各種類型的感測器。舉例來說，在各種實施例中，感測器303可以是主動像素感測器，例如基於CMOS的感測器、基於CCD的圖像感測器、或其他類型的數位成像感測器。各種類型的感測器可以包括對從可見光譜內、從紫外線區域的波長、從近紅外線和/或紅外線區域的波長發出之光敏感的感測器，或對前述波長區域其中一者以上敏感的感測器。這些感測器類型其中一些也可為可選擇以在感興趣的一個或多個預定的有限波長範圍（例如，可選擇的波長帶通）之內操作。
在特定示例性實施例中，感測器303包括基於CMOS的照相機。 已發現合適的一種基於CMOS的照相機是Genie Nano-1GigE照相機（可從Teledyne Dalsa, 605 McMurray Road, Waterloo, Ontario Canada N2V 2E9獲得）。以下參考圖4A更詳細地討論感測器303。
鏡頭305可以包括任意數量的成像鏡頭。可以針對期望的放大倍率、視場、透射數值（例如，T 光闌（T-stop））、成像距離、及其他期望的屬性來選擇鏡頭305。基於閱讀和理解所揭露申請標的，所屬技術領域具有通常知識者將認識到如何為鏡頭305選擇期望的屬性。
在特定的示例性實施例中，鏡頭305是Moritex雙遠心鏡頭，型號MTL-3535P-100（可從MORITEX Corporation，3-13-45 Senzui Asaka-shi, Saitama, 351-0024, Japan獲得）。在此實施例中，鏡頭具有約35mm的對角線視場、約35mm的圖像格式、及約1X的放大倍率。對於本文描述的鏡頭305和感測器303組合的特定示例性實施例，大約1X的放大倍率代表大約20X光學檢測系統（例如，顯微鏡）的等效物。
安裝台座307可以包括能夠實質上剛性地固持組件311的多個各種不同類型的機械穩定台座的任一個。在各種實施例中，安裝台座307可以包括相關領域中已知的光學台座。光學台座通常包括多個螺紋安裝孔，在x和y方向上間隔約25.4 mm（約1英寸）。舉例來說，安裝孔係適用於螺入ISO標準M6 x 1（大約1/4英寸–20）或類似螺釘，以將組件311機械安裝到安裝台座307。
本領域已知的各種類型的校準標準可用於監測AVI系統的健康並偵測是否存在任何超出公差的組件。舉例來說，如果機器人相對於零件或台座的中心位置變得不居中之時，校準標準也可用於將AVI系統恢復進公差內。校準可以包括在機器視覺領域中採用的基於幾何的校準標準。校準標準可以永久地固定在例如安裝台座307。
在特定的示例性實施例中，安裝台座307是光學台座，Nexus型號B3636T（可從ThorLabs, 56 Sparta Avenue, Newton, New Jersey 07860, United States of America獲得）。型號 B3636T視為是一種麵包板光學台座，在本示例中，它是一個約 914 mm（約36英寸）的方形台座，一側厚60 mm（約2.4英寸）。可以添加適當的支腳以將安裝台座307放置在期望的高度。
現在參考圖3B，圖3A的機器人站300的主要側視圖310係加以顯示。圖3B顯示包括具有基本上平面的特徵的基本上平坦的組件313。在一個示例中，基本平坦的組件313可以包括用於基於電漿的處理腔室的窗口。在此示例中，該窗口可以包括各種材料，例如鋁氧化物（Al2 O3 ）、鋯氧化物（ZrO2 ）、二氧化矽（SiO2 ），以及本領域已知的其他陶瓷、石英、或玻璃材料。基本平坦的組件313係藉由數個夾具315安裝到安裝台座，夾具315可以緊固到安裝台座307中的安裝孔317。
在各種實施例中，機器人301係佈置為使用機器人301、感測器303、及鏡頭305組合以1X的放大倍率對基本平坦的組件313（或任何其他組件）進行100%檢測。在此實施例中，機器人站300具有大約4.5 μm的空間像素解析度。從基本平坦的組件313收集的圖像總數將取決於若干因素，包括例如受檢測之組件的總表面積以及每個圖像的預定交疊量。例如，在一個實施例中，圖像的交疊可加以選擇為在x-和y-方向上從0%交疊（後續圖像沒有交疊）到大約50%的交疊。在一些實施例中，圖像的交疊可加以選擇為在x-和y-方向上從5%交疊到大約10%交疊。在其他實施例中，交疊可以基於徑向坐標（例如，r和ϕ）加以選擇。在這些實施例中，舉例來說，圖像的交疊可在r和ϕ方向二者上選擇為從大約0％的交疊到大約50％的交疊。對於三維物體，所屬技術領域具有通常知識者在閱讀和理解所揭露申請標的之後將認識到，交疊可以基於以下加以選擇：笛卡爾坐標系統中的 x、y 、及z方向，圓柱坐標系統中的r、ϕ、及z方向，球坐標系統中的r、ϕ、及φ方向，各種其他坐標系統，或上述坐標系的各種組合。
機器人站300偵測到的各種缺陷類型的各者可以分類為各種缺陷尺寸。在一個示例中，缺陷可以以高達約15 µm、20 µm、50 µm、100 µm、420 µm、及900 µm的分格大小，或對於較高放大倍率的實施例以低至例如1、5、或10微米的分格大小，而加以分類。當然，所屬技術領域具有通常知識者將認識到，可以根據機器人站300的特定應用來選擇任意數量的分格和分格大小（bin size）。參考圖6A到6C更詳細地討論了用於將缺陷分格化（binning）的技術和方法。
圖4A至4C顯示根據所揭露申請標的實施例的各種檢測照相機感測器400和鏡頭總成430、450的實施例。參考圖4A，顯示小型照相機401和大型照相機403。照相機401、403各者可以與上面參考圖3A和3B討論的感測器303相同或相似。此外，照相機401、403每一者包括數個輸入/輸出（I/O）埠，位於各別照相機401、403的背面（未顯示）之上。I/O埠可以包括例如一個以上的光耦合埠及RJ-45埠，兩者都是本領域已知的。
在示例性實施例中，小型照相機401包括基於CMOS的感測器405，具有例如為672 x 512像素的解析度，像素尺寸為4.8 μm，並且具有影格率例如每秒350影格數（fps）。在示例性實施例中，大型照相機403包括基於CMOS的感測器407，其具有例如5120 x 5120像素的解析度和4.5 μm的像素尺寸，且具有例如每秒4.6影格數（fps）的影格率。基於閱讀和理解所揭露申請標的，所屬技術領域具有通常知識者將認識到如何確定期望哪個照相機來選擇所期望的給定成像參數組。
小型照相機401包括鏡頭架座409，適合安裝特定類型鏡頭，具有成像圓（imaging circle）足以涵蓋或實質上涵蓋基於CMOS的感測器405的成像區域。大型照相機403包括鏡頭架座411，適合於安裝特定類型的鏡頭，具有足以涵蓋或實質上涵蓋基於CMOS的感測器407的成像區域的成像圓。在圖4A顯示的例示實施例中，鏡頭架座409、411其中一者是公制M42 Praktica® 或P螺紋架座（thread mount）。在其他實施例中，可以使用本領域已知的其他類型的鏡頭架座409、411（例如，C架座、CS架座、或各種類型的卡榫固定架）。由於基於CMOS的感測器407使用可互換鏡頭安裝系統，因此可以選擇具有不同放大倍率、透射能力、物理尺寸等的任意數量的鏡頭類型。
圖4B顯示可與圖4A的檢測照相機感測器400一起使用的鏡頭總成430。鏡頭總成430可以與圖3A和3B的鏡頭305相同或相似。顯示鏡頭總成430，其包括P架座螺紋法蘭433和前部元件部分431。鏡頭總成430的前部元件部分431是鏡頭總成430的靠近在機器人站300上受檢測的組件（例如，分別是圖3A和3B的組件311、313）的區域之部分。
圖4C顯示遠心鏡頭450。遠心鏡頭450可與圖4B的鏡頭總成430及/或圖3A和3B的透鏡305相同或相似。遠心透鏡 450將照明源453以及由照明源453產生的光輸出467直接整合進遠心透鏡450的光學元件串。遠心透鏡450從而提供同軸照明（in-line illumination），其中從成像的物體469反射的光線在遠心鏡頭450之內實質上平行於光輸出467。因此遠心鏡頭450能夠將從成像物體469反射的光線465（為了清晰僅顯示一條光線）聚焦到圖像平面471之上（例如圖4A的基於CMOS的感測器405、407）。
圖4C還顯示為包括鏡頭筒451、照明源接頭455、鏡頭後部元件457、鏡頭前部元件459、光圈463、及分束器461。
光圈463（或視場光闌）可以是固定的或可變的，並且用於物理上限制通過遠心鏡頭450的光線465的立體角。光圈463可以用於降低通過遠心鏡頭450而至圖像平面471的光強度，且/或增加圖像平面471之上的成像物體的景深（藉由減小光圈463的橫截面積）。
分束器461將由照明源453產生的光輸出467重新定向以與從成像物體469反射的光線465基本成一直線。分束器461可以包括例如半透明反光鏡（pellicle mirror）（薄的、半透明的鏡元件），或膠合或以其他方式粘合在一起的一對三角形玻璃稜鏡。在示例性實施例中，分束器461包括雙折射材料以形成偏振分束器以將入射光分成基本上正交偏振態的兩束光束。
在各種實施例中，照明源453可以包括來自各種光源的光，例如高強度鹵素光束或發光二極體（LED）。光源可以包括選定的波長或波長範圍。 接著，光源可以經由光纖元件或其他類型的傳輸裝置（例如，光學元件）傳輸到照明源接頭455。
所屬技術領域具有通常知識者將認識到，遠心鏡頭450可以由另一鏡頭和照明類型的佈置代替。例如，許多非遠心鏡頭類型可以與圖3A的機器人站300一起使用。然而，非遠心鏡頭類型的照明可能來自環境光或另一照明源，例如安裝在前部元件部分（例如，圖4B的前部元件部分431或圖4C的鏡頭前部元件459）之上或附近的環形燈具或其他同軸光源、外部安裝的分束器、或本領域已知的其他類型的直接和漫射照明源。此外，雖然沒有明確地顯示在圖4C，偏振光源（在此處討論的任何照明情境中）可以與分析器一起使用，以偵測關於在組件上偵測到的缺陷的其他感興趣參數。此類技術在相關領域中是已知的。
因此，由於可能使用的額外組件，當與另一種照明類型組合時的非遠心鏡頭類型在物理尺寸上可能不如遠心鏡頭450緊湊。然而，對於某些類型的物體，遠心鏡頭450可能在對某些類型的光學漫射物體進行成像時會產生某些圖像像差（例如，會降低圖像對比度的熱點）。光學漫射物體可以充當朗伯輻射器，在所有方向上均勻或幾乎均勻地輻射光（或以本領域已知的幾乎恆定的雙向反射分佈函數（BRDF））。 因此，所揭露申請標的可以配置為使用同軸照明（例如，遠心鏡頭450）或非遠心鏡頭，具有或不具有補充的非同軸照明源。
此外，熟習此技藝者將認識到可以對遠心鏡頭450或其他類型的非遠心鏡頭進行某些修改。例如，如果照明源453係選擇為深紫外線（DUV）波長（例如，約248 nm或約193 nm）或極紫外線（EUV）波長（例如，約124 nm至約10 nm）以增加機器人站300的解析度下限，則可以用專用光學元件（例如，具有極低數值的表面粗糙度）或反射元件（例如，前表面鏡）代替上述光學元件。此外，由於低波長發射並不總是可通過空氣傳輸，因此可以在真空條件下進行組件檢測。
圖5A到5G顯示可以與所揭露申請標的各種實施例一起使用的圖形化使用者介面（GUI）的示例。資料可以資料組構中以特定供應者（例如，圖2的供應者201A到201C其中之一）和/或在主資料收集站273處加以存儲。資料組構係用於存儲與檢測的組件相關的所有資訊和相關資料，如下文更詳細討論的。如相關領域中已知的，可以將資料組構週期性地備份到本地和/或遠程儲存裝置。
現在參考圖5A所示的示例性實施例，頂層級登陸頁面500具有三個可選擇的鏈結。這三個鏈結包括供應者-工程師儀表板鏈結501、自動化目視檢測（AVI）儀表板鏈結503、及圖像-觀察者鏈結505。
圖5B顯示供應者-工程師儀表板510的示例性實施例，終端使用者在從頂層級登陸頁面500選擇供應者-工程師儀表板鏈結501之後到達該供應者-工程師儀表板。供應者-工程師儀表板510係顯示為包括供應者-工程師分派塊511、供應者代碼塊513、下拉式供應者選擇塊515、及與供應者代碼塊513之中輸入的數值相關聯的零件清單517。
供應者-工程師分派塊511可以基於一基於分派的供應者的工程師的直接入口加以顯示，或者可以基於例如基於進入供應者代碼塊513的入口的工程師選擇的下拉方框，或其各種組合。基於分派的供應者的工程師（例如，執行檢測的特定工程師或技術員）的姓名可以存儲在先前提供的資料檔案之中（例如，在一個特定示例性實施例中，資料檔案可以包括JavaScript物件表示法（JSON）檔案，該檔案係一種標準資料交換格式，其結構在本領域中是已知的）。
在一個具體的示例性實施例中，JSON檔案可以加以構建為三個以上層級：層0、層1、及層2。在此實施例中，該結構的層0部分係配置為存儲所有AVI記錄的細節，如在此描述。所有AVI記錄係由資料組構給定唯一識別符名稱。該結構的層1部分係配置以存儲在例如參照圖2之上述零件或組件檢測製程期間所收集的各個圖像的圖像細節。該結構的層3部分係配置以存儲與給定圖像相關聯的每個偵測到的缺陷之缺陷細節。
再次參考供應者代碼塊513，在此實施例中，供應者代碼塊513可以包括列出為數值識別數值（ID）的供應者代碼，其至少一者預先分派給數個供應者其中各者。供應者代碼ID可加以包含為在隨附的JSON檔案之中的一屬性，並具有特定的供應者代碼數值。在供應者代碼塊513之內所提供和顯示的ID是從下拉式供應者選擇塊515加以選擇。在實施例中，下拉式供應者選擇塊515中可用的選擇可以限於在隨附的AVI資料庫之中所找到的特定集合的供應者代碼（例如，作為JSON檔案的一部分）。此外，具有關聯的AVI資料之分配給在供應者代碼塊513內的供應者的零件（例如，與尚未受檢測的那些零件相反）可以基於例如預定義的色彩編碼或其他突顯方案而加以識別。
與在供應者代碼塊513中的輸入數值相關聯的零件的清單517可用於顯示分派給特定和選定供應者代碼的零件（或組件）的完整清單。如圖5B所示，零件可以藉由例如AVI ID號碼、零件是通過還是未通過檢測步驟、零件的序列號、零件料號、修訂號碼（如果多於一個）、及零件的描述而加以顯示。 如本領域普通技術人員將認識到的，在閱讀和理解所揭露申請標的之後，可以對零件清單517添加或刪除任何數量的附加感興趣額外欄位。此外，可以使用各種色彩代碼來突顯某些感興趣的欄位。
現在參考圖5C，顯示AVI儀表板530的示例性實施例，終端使用者在從頂層級登陸頁面500選擇AVI儀表板鏈結503之後到達該AVI儀表板530。AVI儀表板530包括用於特定AVI檔案的數個選擇塊，以及用於顯示與所選AVI檔案相關的資訊的一系列之塊。對於在圖5C至5G所述之參數各者的決定以下參照圖6A到6C加以詳細描述。
例如，AVI儀表板530係顯示為包括通過/失敗塊531、供應者代碼塊533、零件搜尋塊535、序列號下鑽（drill-down）塊537、時間序列下鑽塊539、及整體零件資訊塊541。顯示與所選AVI檔案相關的資訊的該系列之塊包括AVI記錄塊543的選項、層級切換塊551的選項、及分格大小選擇塊559。顯示與所選 AVI檔案相關的資訊的此系列的塊更包括顯示樹狀圖的區域545、顯示散布圖的區域547、顯示熱度圖的區域549、顯示具有多個分區的靜態圖像的區域553、顯示圖像資訊的區域555、顯示匯總統計的區域557、顯示缺陷資訊的區域561、及顯示統計製程控制（SPC）資料的區域563。選擇的AVI資料可以從AVI儀表板530自下載AVI資訊塊565加以下載。
供應者代碼塊533用於搜尋與供應者代碼其中特定一者相關的AVI記錄。在此搜尋中的供應者代碼的來源可以基於從JSON檔案中的相應標頭欄位所擷取並存儲在資料組構之中的資料，如上所述。在各種實施例中，在此欄位中的供應者代碼可以擴增以對應供應者的名稱。此外，在供應者代碼中的數值的選擇可用於將搜索欄位的其餘部分中的數值限制成僅為對應於選定之供應者代碼的那些數值。類似地，改變供應者代碼之中的選擇可用於重置和清除在其餘搜尋欄位之中的數值。
零件搜尋塊535係用於搜尋存儲在AVI資料庫中的零件。在實施例中，零件搜尋塊535可以顯示使用本領域已知的預鍵入方式呈下拉模式的結果。鍵入的各個字元可用於縮小搜尋結果的範圍。出現在結果集合之中的零件可以具有與之相對應而條列的一個核取方框，其中終端使用者可以選擇任意數量的零件。基於受選擇的零件，用於那些零件的對應AVI記錄可以條列在AVI記錄塊543之中。
序列號下鑽塊537可用於搜尋在AVI資料庫中列出的序列號。序列號下鑽塊537可用於顯示使用預鍵入方式呈下拉模式的結果。鍵入的各個字元將用於縮小搜尋結果的範圍。在結果集合之中顯示的序列號可以具有在各個序列號旁邊列出一個核取方框。在實施例中，終端使用者可以限制成選擇預定數量的序列號。此外，基於所選擇的序列號，在零件搜尋塊535中的選項可以僅限於與那些特定序列號相關的零件。
時間序列下鑽塊539可用於基於期望的檢測日期、工作排班、或當檢測零件時的其他時間段來識別特定時間段。時間序列下鑽塊539亦可用於基於範圍的時間搜尋。終端使用者可以指定日期範圍。因此，基於選定的給定時間段之內的特定零件，在零件搜尋塊535和序列號下鑽塊537之中的選項將僅限於在選定時間段之內受檢測的那些零件。雖然在圖5C中沒有明確顯示，AVI儀表板530也可以包括批次號下鑽塊，其可以用於基於在所選序列號（或其他所選參數）之內找到的批次資訊來識別特定時間段。例如，批次資訊可以包括所選擇的當檢測零件或零件範圍之時的周及/或年。批次號下鑽塊可以顯示使用預鍵入方式呈下拉模式的結果。鍵入的每個字元將用於縮小顯示的搜尋結果的範圍。
對於選定的AVI檔案，通過/失敗塊531指示與該檔案相關聯的零件是通過還是未通過檢測。在AVI檔案之內的相關聯AVI記錄可以包括，例如，通過/失敗旗標，其係自當檢測零件時生成的JSON標頭加以決定。通過/失敗屬性可以用作總括準則，用於針對特定AVI檔案的此處描述的選擇塊的所有後續搜尋。在各種實施例中，當加載AVI儀表板530之時，通過/失敗塊531的預設值可以是空白的。如果通過/失敗塊531的數值維持空白，則此欄位與其餘的搜尋準則無關。如果通過/失敗塊531的數值係設定為「通過」，則只有具有設定為「通過=真」的數值的那些AVI記錄可用於搜尋。如果通過/失敗塊531的數值係設定為「失敗」，則只有具有設定為「通過＝假」的數值的那些AVI記錄將可用於搜尋。
在AVI記錄塊543之中顯示的零件應該列出與使用例如上面討論的搜尋準則找到的那些零件相關的所有AVI記錄。在各種實施例中，AVI記錄塊543可以包括顯示AVI時間戳記（例如，當檢測零件之時）、零件料號、零件修訂（如果有的話）、及記錄製程（POR）步驟的欄位。如所所示，一個核取方框可以在各個記錄旁邊加以顯示。一旦選取該方框，AVI記錄資訊可用於繪製和填充在AVI儀表板530之中的資訊的其餘者，如下面更詳細描述的。在實施例中，可以針對繪製加以選擇的數個記錄可以加以預先決定為僅顯示有限數量（例如，可以同時繪製僅三個記錄）。在實施例中，如果一個或多個AVI記錄係加以核取用於分析，則上述所有搜尋過濾器可加以鎖定以防止進一步搜尋直到將記錄取消核取為止。在此實施例中，在所有AVI記錄都係取消核取之後，接著可以將搜尋過濾器解鎖。
顯示圖像資訊的區域555、顯示匯總統計的區域557、顯示缺陷資訊的區域561、及顯示SPC資料的區域563可以各自包括各種類型之例如所選的一個以上記錄的列表資訊。這樣的列表資訊可以包括例如整體零件資訊、關於受檢測零件的匯總統計、從成像製程決定的資訊、及從成像製程決定的缺陷資訊。
舉例來說，顯示圖像資訊的區域555可以包括從檢測製程接收的列和行資訊（或基於如上所述的選定坐標系統顯示的其他資訊）、缺陷總數、缺陷的全域位置、以及與所選圖像資料相關的其他類型的資訊。顯示匯總統計的區域557可以包括，例如，序列號、零件料號、平均缺陷面積、最小偵測的缺陷尺寸、最大偵測的缺陷尺寸、缺陷的總體平均位置（例如，缺陷的叢集位置）、以及與所選圖像資料相關的其他類型的資訊。顯示缺陷資訊的區域561可以包括例如偵測到的缺陷各者的全域位置、偵測到的缺陷各者的本地位置、偵測到的缺陷各者的表面積、偵測到的缺陷的縱橫比（包括缺陷的主要和次要尺寸）、偵測到的缺陷所在的分區、以及與所選圖像資料相關的其他類型的資訊。顯示SPC資料的區域563可以包括例如各種類型的統計製程控制資料（例如，盒鬚圖（box-whisker plot）），其可能與製程的給定階段或態樣相關。這種感興趣的SPC參數是所屬技術領域具有通常知識者已知的。
顯示具有多個分區的靜態圖像的區域553顯示靜態圖像以幫助終端使用者識別所選零件上的感興趣分區。例如，終端使用者可以選擇將注意力集中在受檢測零件的特定區域。
顯示樹狀圖的區域545可用於可視化顯示哪個圖像具有例如基於所選分格大小的最高數量的缺陷。例如，在樹狀圖中各個方框的大小和/或顏色可以基於諸如每個級別的缺陷的累計計數之類的參數。以下參考圖5D和5E更詳細地討論樹狀圖。
顯示散布圖的區域547可用於可視地顯示局部散布圖590，如以下參考圖5F更詳細地描述的。散布圖590可以基於例如給定圖像的缺陷細節。在圖像中各個缺陷的參數可以包括局部x位置、局部y位置（或其他坐標系統參數）、及各個缺陷的面積。諸如這些的參數可用於構建相關散布圖590。
顯示熱度圖的區域549可用於可視地顯示熱度圖595，如以下參考圖5G更詳細地描述的。從在選定的AVI記錄中的各個圖像所收集的資料可用於構建熱度圖595。熱度圖595顯示了參照在所選零件上各個偵測到缺陷之位置的缺陷的全域x位置及全域y位置（或其他坐標系統參數）。
層級切換塊551的選擇可以包括與例如顯示散布圖的區域547和顯示熱度圖的區域549相關的功能。如果有針對散布圖590或熱度圖595之分析而選擇的超過一個AVI記錄，則層級切換塊551的選擇可以允許終端使用者將顯示熱度圖的區域549和/或顯示散布圖的區域547區域針對特定AVI記錄而切換成開啟或關閉。在示例性實施例中，可以調整層級切換塊551的選擇以允許同時加載最多三個記錄。
分格大小選擇塊559可以是AVI儀表板530上的全域過濾器，其可以加以選擇以僅影響例如AVI儀表板530的顯示樹狀圖的區域545、顯示散布圖的區域547、顯示熱度圖的區域549、以及顯示缺陷資訊的區域561之區段。分格大小選擇塊559的全域過濾器可以佈置為僅考慮在使圖表或表格資訊各者受到顯示時基於分格而偵測到的特定大小的缺陷。
舉例來說，在JSON檔案之中的各個缺陷記錄之內，可以包含一個名為「分格（bin）」的屬性，其對應於各個偵測到的缺陷的大小或大小範圍。JSON檔案之中的「分格」屬性可加以分配一個數值。表I顯示在分格號碼與關聯名稱之間的映射的示例。然而，基於閱讀和理解所揭露申請標的，所屬技術領域具有通常知識者將認識到，可以選擇任意數量的分格和任意數量的名稱識別符（例如，基於偵測到的缺陷大小）。舉例來說，對於配置成基於此處提供的各種說明而偵測小得多的缺陷（例如，次微米尺寸的微粒）的機器人站，名稱識別符可以從0.25 μm的尺寸開始。此外，名稱識別符可以基於偵測到的缺陷的特徵尺寸，例如平均缺陷直徑、等效空氣動力學缺陷直徑、缺陷的最大尺寸、缺陷的最小尺寸、或某個其他組的選定缺陷特徵尺寸。
分格號碼 名稱識別符
1 ＜ 15 µm缺陷
2 ＜ 20 µm缺陷
3 20 µm到50 µm缺陷
4 50 µm到100 µm缺陷
5 100 µm到500 µm缺陷
6 0.5 mm到1 mm缺陷
7 ＞ 1 mm缺陷
[ 表 I]
基於分格大小選擇塊559中的選擇，終端使用者能夠選擇顯示哪個缺陷尺寸範圍或尺寸範圍。在一個實施例中，預設設定將使所有分格受到選擇，並且取消選取一分格將減少在缺陷資訊之中顯示的缺陷的總數以及在三個圖中使用的缺陷數量。一般而言，終端使用者可能期望僅看到較大尺寸的所偵測缺陷的分佈。如果選擇了多個記錄，則相同的選擇準則可以應用於在缺陷資訊中所有顯示的記錄以及在三個圖中使用的缺陷數量。
下載AVI資訊塊565可加以選擇來下載受到分析的AVI記錄的所有AVI資料。AVI資料可加以下載到例如以可選擇格式的試算表。
上面參考圖5C的AVI儀表板530描述的用於顯示與所選AVI檔案相關的資訊的該系列之塊的任何一個係可加以選擇（例如，藉由輕敲圖像或點擊圖像）以顯示資訊的放大版本。例如，終端使用者可以點擊顯示熱度圖的區域549以顯示以下參考圖5G所示和描述的熱度圖595的全螢幕（或螢幕的某個預定區域）版本。
現在同時參考圖5D和5E，高階樹狀圖570包括數個AVI記錄ID 571。終端使用者可以選擇高階樹狀圖570的一部分之內的一選定區域573以顯示低階樹狀圖580。低階樹狀圖580包括在選定區域573之內的多個圖像。因此，終端使用者能夠選擇在高階樹狀圖570之內的選定區域573以下鑽而自高階樹狀圖570提取或放大選定區域573。在一個實施例中，選定區域573在面積上可預先確定，具有給定的縱橫比。在另一個實施例中，可以基於例如選擇感興趣區域的左上坐標和右下坐標來選擇選定區域573。在其他實施例中，用於選擇一區域的兩個選項可以藉由在顯示螢幕上單擊或點擊進行選擇或者選擇感興趣區域的左上坐標和右下坐標來實現。一旦選擇了低階樹狀圖580，低階樹狀圖580可以有效地成為高階樹狀圖570的新版本。高階樹狀圖570的新版本的部分現在也可以是在選定區域573的新版本中加以選擇。
圖5D和5E的高階樹狀圖570和低階樹狀圖580之中的各個方框的大小和顏色可以基於例如在每個層級的加總偵測缺陷計數或另一選定參數。在閱讀並理解所揭露申請標的之後，所屬技術領域具有通常知識者將認識到，圖5D和5E的樹狀圖表示基於笛卡爾坐標系統之中的掃描從來自機器人站300（參見圖3A）的圖像掃描所獲得的二維（2D）圖。然而，熟習此技藝者將認識到也可以顯示來自其他坐標系統的掃描。此外，熟習此技藝者將認識到也可以顯示三維（3D）圖像。坐標系統以及2D與3D顯示之選擇適用於此處描述的所有圖表類型。
圖5F顯示散布圖590。如上所述，散布圖590可以基於例如給定圖像的偵測到的缺陷的細節。在圖像中各個缺陷的參數可以包括局部y位置（例如，以千毫米為單位顯示）、局部x位置（例如，以千毫米為單位顯示），兩者都顯示為定位成距「0,0」起始點（或其他坐標系統參數）的給定距離。散布圖590還指示每個缺陷的面積。諸如全域位置和區域大小之類的參數可以用於構建散布圖590。在實施例中，可以選擇特定顏色來標繪給定的缺陷類型並且可以基於在JSON檔案之中針對 一個特定的圖像的「缺陷類型（DefectType）」屬性。
圖5G顯示熱度圖595。如上所述，熱度圖595參考在所選零件上各個偵測到的缺陷的位置而指示所偵測到的缺陷的全域x位置和全域y位置（或其他坐標系統參數，如果適用）。在各種實施例中，可以基於色彩編碼而指示在給定區域或面積之中的缺陷數量。例如，可以選擇黃色以對應於具有最小缺陷的圖像部分，並且可以選擇藍色以對應於具有最大缺陷的圖像部分。
再次參考圖5A，頂層級登陸頁面500係顯示為包括一個額外鏈結，即圖像-觀察者鏈結505。在選擇圖像-觀察者鏈結505之後，終端使用者將被帶到一獨立的門戶（未顯示但對所屬技術領域具有通常知識者可以理解）允許終端使用者執行AVI搜尋，例如藉由如以上參照圖5B和5C所述零件料號或AVI記錄號碼，並在顯示螢幕上顯示圖像（例如，呈彩色圖像或灰階圖像）。
現在參照圖6A至6C，顯示根據所揭露申請標的之各種實施例的用於執行組件的自動化檢測的方法。
圖6A顯示一整體高階方法600的示例實施例，用於設定一自動化系統（例如，圖3A的機器人站300）以及擷取、分析、及記錄圖像。在操作601，自動化系統係加以校準。在實施例中，校準可以包括例如將機器人站300的鏡頭 305聚焦到組件311的一個共用平面上。在各種實施例中，達成聚焦，可以藉由選擇例如在共用平面之上的三個或四個獨立的點，其係藉由將機器人301驅動到共用平面的空間分離的聚焦點。可接受的聚焦可以基於何者係認為是「可接受的聚焦」的預先確定的準則。可接受聚焦的預定準則建立聚焦分數，並且可能涉及例如機器人的空間解析度準確性或可再現性，結合鏡頭的景深，從而針對聚焦建立公差數值。此外，聚焦分數和校準程序可以幫助減輕當將組件311安裝到安裝台座307時發生的任何失準問題。可以針對組件311的不同平面（例如，在非平面組件之中的側壁）重新建立校準程序。
在操作603，自動化系統開始使用機器人301、感測器303、及鏡頭305組合來擷取圖像。圖像係以預定的視野（與給定區域相關）及步長（例如，在x和y方向（或一些其他選定的坐標系統）上每10 mm擷取的一張圖像）。擷取的圖像還可以包括一些預定程度的圖像交疊。例如，在一些實施例中，圖像的交疊可以選擇為在x和y方向二者上從5%交疊到大約10%的交疊。在其他實施例中，圖像的交疊可以加以選擇為例如從大約 0%的交疊（沒有後續圖像交疊）到大約50%的交疊。在其他實施例中，可能存在「負交疊」。負交疊表示，如果確定不需要對組件的所有表面進行完全檢測，則可以使用少於100%的組件檢測。
在操作605，擷取的圖像係加載進一程式用於存儲和進一步分析。 進一步分析的一些實施例包括以下參考圖6B和6C描述的操作。在操作607處執行進一步分析。
在操作607執行分析之後或同時，在操作609將至少部分由分析生成的資料寫入資料堆積中的存儲區域。在操作613，確定是否留存額外圖像需要受到處理。如果額外的圖像需要受到處理，則整體高階方法600返回到操作605，在這種情況下，一個或多個剩餘的擷取圖像係加載進一程式以供存儲和進一步分析。
在閱讀並理解所揭露申請標的之後，所屬技術領域具有通常知識者將認識到，不同於意味一序列之圖像流用於存儲和進一步分析的方法 600，所屬技術領域具有通常知識者將認識到許多或所有擷取的圖像可以平行地存儲和分析（例如，以本領域已知的管線配置）。在所有擷取的圖像受到處理之後，在操作615處將所有資料寫入檔案（例如，上述JSON檔案）。
圖6B顯示方法610的示例性實施例，其中在來自操作607的圖6A的進一步分析部分之內執行的額外操作集合係進一步擴展。在操作607A，各個擷取的圖像經歷閾值圖像分析。閾值圖像分析確定在所擷取圖像中的黑色感興趣區域。基於在所擷取圖像之內偵測到的缺陷而確定閾值位準。閾值位準的確定係基於相關領域中已知的操作，例如圖形和圖像處理領域。在各種實施例中，預定閾值位準可以實質上均勻地應用於所有圖像。在替代實施例中，可以基於各種因素（例如，偵測到的缺陷的數量和圖像的對比度位準）針對各個擷取的圖像獨立地確定和應用閾值位準。
在操作607B，對所擷取圖像執行輪廓和斑點分析。輪廓和斑點分析係基於某些預定準則而將可能構成較大缺陷的一部分的像素群組在一起。例如，指示偵測到的缺陷的一系列像素（例如，基於上述閾值分析）可以指示在組件311（參見圖3A）上的一劃痕並且因此如以下更詳細地描述的那樣群組在一起。
在操作607C，確定偵測到的缺陷將加以分類為大缺陷或小缺陷。 「大」與「小」的確定是基於諸如偵測到的缺陷可能對完成的組件具有之影響的因素。例如，如果已完成的零件可能由於大顆粒、凹坑、或劃痕而需要加以再加工，該大顆粒、凹坑、或劃痕一旦放入一機台（例如，基於電漿的處理腔室）可能會潛在地影響組件的性能，則此缺陷可能認為是「大的」。可以基於將組件添加到配合零件、或缺陷（例如，顆粒）從組件脫落到承受處理的腔室之內的基板上的可能性來進行確定。如果缺陷不太可能對機台的性能產生效應，則可以認為該缺陷為「小的」。每個組件類型可能有一組獨立的準則來確定缺陷是分類為「大」或「小」。在閱讀並理解所揭露申請標的之後，所屬技術領域具有通常知識者將認識到如何基於所揭露申請標的之特定應用來做出這樣的分類確定。
如果在操作607C確定缺陷係「大的」，則在操作607D執行侵蝕及/或膨脹步驟。侵蝕和膨脹步驟係潛在地加以執行以將識別為大缺陷一部分的像素鏈結在一起。例如，侵蝕步驟將來自閾值圖像（來自操作607A）的黑色區域的面積增加以將黑色區域鏈結在一起以將此等黑色區域群組為一較大的缺陷。相反地，膨脹步驟將確定不屬於較大缺陷的來自閾值圖像的黑色區域的面積縮減。因此，在此實施例中，膨脹增加了白色區域的大小，而侵蝕增加了黑色區域的大小。如各種實施例中所述，黑色區域包括感興趣區域。
如果在操作607C確定缺陷為「小的」，則原始饋入的閾值圖像（來自操作607A）係在操作607E直接通過。即，不對「小」缺陷執行侵蝕或膨脹步驟。
在操作607F，所有感興趣區域（例如，所有偵測到的缺陷）的屬性係加以存儲以供例如藉由圖5C的AVI儀表板530後續取回。方法610的流程控制接著返回到圖6A的方法600之內的操作609。
圖6C顯示方法630的示例性實施例，其中來自圖6B的操作607F的存儲以供後續取回的所有感興趣區域的屬性係進一步擴展。在操作607F1，確定各個感興趣區域（例如，偵測到的缺陷）的局部位置和全域位置。各個缺陷的局部和全域位置可基於例如參照另一個缺陷之缺陷的幾何形心的位置、或參照組件上的全域位置（確定的「0,0」或「0,0,0」坐標位置）之缺陷的幾何形心的位置。
在操作607F2，確定感興趣區域各者（例如，偵測到的缺陷）的幾何面積之決定。在操作607F3，確定缺陷所在的分區。 當使用圖5C的AVI儀表板530的具有多個分區的靜態圖像553指示符執行分析時，稍後可以使用所確定的分區。在操作607F4，進一步確定每個缺陷應該被放置到哪個分格大小。當使用AVI儀表板530的分格大小選擇塊559執行分析時，分格大小的確定可以稍後加以使用（也參見表 I 和此處提供的隨附說明）。
在操作607F5，確定各個偵測到的缺陷的主要長度和次要長度。主要和次要長度可以使用邊界框來確定。如相關技術中已知的，邊界框是包容一數位圖像的具有例如正方形或矩形邊界的坐標的虛擬框。由於邊界框基於空間坐標，因此也可以旋轉邊界框以包容一數位圖像。正方形邊界框可以圍繞一圓形缺陷而加以放置，而矩形邊界框可以圍繞長條形缺陷（例如，縱橫比大於1:1 的缺陷）或劃痕（例如，具有縱橫比遠大於 1:1的缺陷）而加以放置。長條形缺陷和劃痕可以基於一些預先確定的準則來確定（例如，大於10:1的縱橫比可以加以歸類為一劃痕）。數位圖像（在這種情況下，偵測到的缺陷）的空間範圍的確定，可以基於數位圖像與鄰近背景（例如，來自組件之擷取圖像的非缺陷區域）的基於邊緣的確定（例如，對比度比較）。
機器學習（ML）可用以基於用以訓練模型的先前訓練資料而將缺陷區分為各種類別。在各種示例性實施例中，此處揭露的AVI機台利用機器學習進行缺陷區分。在特定示例性實施例中，一個或多個神經網路從擷取的圖像中提取資訊。從擷取的圖像中提取資訊是一種稱為「深度學習」的技術。一個此種機台是Alita® AVI Tool，登錄於Lam Research Corporation，4650 Cushing Parkway Fremont，California USA，94538。
提取資訊的第一步驟是使用此處概述的特徵識別程序運行如此之所揭露的AVI程式。針對各個特徵獲得的屬性其中一者是邊界框位置。在實施例中，邊界框以像素為單位提供特徵圖像的最右側、最左側、最頂部、及最底部邊緣。從一個大的提取圖像，幾個小圖像係針對在圖像中的各個特徵加以生成（在一特定實施例中，主要特徵長度大於約100 μm）並本地地存儲到例如硬碟機或其他儲存單元或本領域已知的記憶體。在圖像擷取過程結束時，主程式啟動一機器學習（ML）程式。此ML程式讀取所有特徵「切片」和該切片的其他屬性（例如，縱橫比和與所識別或選擇的零件中心之缺陷的徑向距離（defglobalR））並將此資訊傳遞進ML預測模型。從這裡開始，此模型預測特徵的類型以及呈特定類型或各種其他一個以上類型之一者的相關聯機率。有關特徵類型的資訊係存儲進例如逗號分隔值（csv）檔案，其之後可以加以讀回進主程式。主程式將缺陷類型和機率剖析為主要資料交換格式（例如，此處定義的json檔案），且接著將此資料交換格式檔案寫入硬碟機（或其他儲存或記憶體單元），從而完成一完整掃描。
在實施例中，圖像剪切係與主程式相符而發生，因為圖像已經存儲在記憶體之中，而ML程式在程式結束時運行。在此實施例中，ML程式可以運行而更有效率地一次傳遞所有資訊而不是一次傳遞一個圖像。
在一個示例中，與正常掃描相比，機器學習模型可能需要大約四到六分鐘的額外時間來運行。然而，此額外的時間在很大程度上取決於需要預測的特徵數量。此示例中的額外時間大約為每個切片增加了39 毫秒（包括裁剪和預測）。
這些類型係經由訓練資料集加以訓練到模型中，該訓練資料集包含每種預期缺陷類型的圖像資料夾。這些圖像是從現實世界的資料提取出來，並手動排序以獲得原始訓練資料。各種類型係加以分成幾個數字碼（例如，0600），其係排列成非常類似於現實世界的缺陷（例如污點）。在各種實施例中，例如可能有10個類別，但是這個數字可以有很大差異。例如，數值碼可能有兩個部分—「主要部分」和「次要部分」，分別包括該碼的前兩個和後面的兩個數字。因此，在一個示例中，0600可能是「污漬」，而0601可能是「蝕刻污漬」。
可以使用本領域技術人員已知的幾種不同的圖像預測模型，其中模型係基於開源機器學習庫（ML庫的一個這樣的示例可取得自在pytorch.org的PyTorch或基於Python的實現模型，諸如VGG 模型或InceptionNet 模型）。在訓練之後，模型係存儲進模型檔案，其可以經由一程式而運行（例如，在所屬技術領域具有通常知識者已知的雲端之中或物聯網（IoT）邊緣模組之上所留存的）。 藉由將各個預測與它的模型版本號（例如，CV_1.0.0.1）相關聯，可以在整個資料組構（Data Fabric）中維持一致性，模型版本號對於所用的訓練數據以及任何額外的調整參數是唯一的，這些調整參數也是所屬技術領域具有通常知識者已知的。
利用包含缺陷切片的各種標記類別，圖像模型得到訓練並保存那個學習到pickle檔案中，並且可以基於此學習得出推斷（pickle是一個 Python模組，用於將Python物件序列化和去序列化為二進制格式，如此您就可以將它們存儲在磁碟上或以有效率及緊湊的方式透過網路發送）。每當一個新零件（例如一個新的晶體窗口）受到檢測時，就可以使用相同的pickle檔案。
在操作607F7，確定周長（例如，圓形所偵測缺陷的圓周）。周長的確定可以基於例如數位圖像與鄰近背景的基於邊緣的確定（例如，對比度比較）。在操作607F8，基於例如如上所述的邊界框的主要長度與次要長度的縱橫比的確定，來確定所偵測到的缺陷的縱橫比。
在操作607F9，針對各個偵測到的缺陷確定Hu矩（Hu不變量）。 Hu矩（Hu moment）在圖像處理和電腦視覺領域中是已知的，並且描述具有圖像像素的強度的特定加權平均（矩）的圖像矩或此等矩的函數。Hu矩包括使用對圖像變換不變的中心矩加以計算的一組七個數字。
操作607F10提供額外的常式，以供未來添加所有感興趣區域的屬性，包括例如缺陷的高度或深度（例如，基於相位對比分析，例如微分相位對比（DPC）技術）或對於各個偵測到的缺陷之類型（例如，基於機器學習）、形態、或甚至成分（例如，基於EDX或XRF分析，如上所述）。方法630的流程控制接著返回到圖6A的方法600之內的操作609。
在閱讀並理解所揭露申請標的之後，所屬技術領域具有通常知識者將認識到，與意味所有感興趣區域（例如，所有偵測到的缺陷）的屬性的確定的序列流程的方法630圖表不同，熟習此技藝者將認識到，其中許多或全部可以平行執行（例如，在本領域已知的管線配置中）。
圖7顯示說明機器的示例的方塊圖，所揭露申請標的一個或多個示例性實施例可在其上實施，或者一個或多個示例性實施例可藉由該機器實施或控制。在替代實施例中，機器700可以作為獨立裝置操作或者可以連接（例如，聯網）到其他機器。在聯網部署中，機器700可以在伺服器-客戶端網路環境中以伺服器機器、客戶端機器、或兩者的能力操作。在一個示例中，機器700可以充當點對點（P2P）（或其他分散式）網路環境之中的同級機器（peer machine）。此外，雖然僅顯示了單個機器700的單個實例，但術語「機器」還應視為包括機器的任何集合，其單獨或聯合執行一組（或多組）指令以執行本文討論的方法其中任何一者以上，例如通過雲端計算、軟體即服務（SaaS）、或其他電腦集群配置。
如本文所述，示例可包括以下者或可藉由其運作：邏輯、多個組件、或機構。電路系統是電路集合，實現於包含硬體的有形實體（例如，簡單電路、閘、邏輯等）。電路系統成員隨著時間和潛在硬體變化性而有彈性。電路系統包括在操作時可以單獨或組合執行指定操作的構件。在示例中，電路系統的硬體可加以不變地設計以執行特定操作（例如，固線式）。在一個示例中，電路系統的硬體可以包括可變連接的物理組件（例如，執行單元、電晶體、簡單電路等），包括經物理修改（例如，磁性地、電性地、藉由不變質量粒子的可移動放置等等）來編碼特定操作的指令之電腦可讀媒體。
在耦接或連接物理組件時，硬體構件的基本電特性係受到改變（例如，從絕緣體變為導體，反之亦然）。指令使嵌入的硬體（例如，執行單元或加載機構）能夠經由可變的連線以硬體建立電路系統的構件，以在操作時執行特定操作的一部分。因此，當裝置運行時，電腦可讀媒體係通信地耦接到電路系統的其他組件。在一個示例中，任何物理組件可以用於多於一個電路系統的多於一個構件之中。例如，在操作中，執行單元可以在一個時間點在第一電路系統的第一電路中使用並且在一不同的時間由第一電路系統中的第二電路或由第二電路系統中的第三電路加以再使用。
機器700（例如，電腦系統）可以包括硬體處理器701（例如，中央處理單元（CPU）、硬體處理器核心、或其任何組合）、圖形處理單元（GPU）、主記憶體703、及靜態記憶體705，其中一些或全部可以經由互連707（例如，匯流排）彼此通信。機器700還可包括顯示裝置709、字母數字輸入裝置711（例如鍵盤）、及使用者介面（UI）導引裝置713（例如滑鼠或其他類型的游標控制裝置）。在各種實施例中，顯示裝置709、字母數字輸入裝置711、及UI導引裝置713可以包括觸控螢幕顯示器。機器700可以另外包括一儲存單元715（例如，大容量儲存驅動單元或固態記憶體裝置）、信號生成裝置717（例如，揚聲器）、網路介面裝置725，以及一個或多個感測器，例如全球定位系統（GPS）感測器、羅盤、加速度計、分度感測器（indexing sensor）、位置感測器、或其他類型的感測器。機器700可包括輸出控制器，例如串列（例如，通用串列匯流排（USB））、平行、或對一個或多個周邊裝置（例如，印表機、讀卡機等）進行通信或控制的其他有線或無線（例如，紅外線（IR）、近場通信（NFC）等）連接。
儲存單元715可以包括機器可讀媒體723，其上儲存一組以上資料結構或一個以上指令721（例如，軟體或韌體），這些指令721體現任何一種或多種技術、功能、或本文所述的方法或由其加以利用。在機器700執行指令721期間，指令721還可以完全或至少部分地駐留在主記憶體703之內、靜態記憶體705之內、硬體處理器701之內、或GPU之內。硬體處理器701、GPU、主記憶體703、靜態記憶體705、或儲存單元715的一個或任意組合可以構成機器可讀媒體。
雖然機器可讀媒體723係繪示為單一媒體，但用語「機器可讀媒體」可以包括單一媒體或多個媒體（例如，集中式或分散式資料庫，及/或相關聯的快取記憶體和伺服器），其配置為存儲一個或多個指令721。
術語「機器可讀媒體」可以包括任何媒體，其可以存儲、編碼或攜帶指令721以供機器700執行並且使機器700執行本揭露內容的任何一種或多種技術，或者其可以存儲、編碼或攜帶由此等一個或多個指令721使用或與之相關聯的資料結構。非限制性機器可讀媒體示例可以包括固態記憶體，以及光和磁媒體。在一個示例中，大量機器可讀媒體包括具有多個具有不變（例如，靜止）質量的粒子的機器可讀媒體723。因此，大量機器可讀媒體不是暫態的傳播信號。大量機器可讀媒體的具體示例可以包括非揮發性記憶體，例如半導體記憶體裝置（例如，電可編程唯讀記憶體（EPROM）、電可擦除可編程唯讀記憶體（EEPROM））及快閃記憶體裝置；磁碟，例如內置硬碟和可移動碟；磁光碟；以及 CD-ROM 和 DVD-ROM碟片。因此，上述和其他類型的非暫時性媒體的每一者在物理上能夠移動或能夠自身移動。此外，電腦可讀媒體可以認為是沒有瞬時信號的有形電腦可讀媒體。指令721還可以經由網路介面裝置725使用傳輸媒體透過通信網路727加以傳輸或接收。
當所用於此處，用語「或」可以包含性或排他性的意義解釋。此外，基於閱讀和理解所提供的揭露內容，所屬技術領域具有通常知識者將理解其他實施例。此外，所屬技術領域具有通常知識者將容易理解，本文提供的技術和示例的各種組合都可以以各種組合應用。
在整個說明書中，多個實例可以實現描述為單一實例的組件、操作或結構。儘管一種或多種方法的個別操作係圖示和描述為獨立的操作，但是個別操作其中一個或多個可以同時執行，並且除非另有說明，沒有任何要求必須按照所示出的順序執行這些操作。在示例配置中以獨立組件呈現的結構和功能可以實現為組合結構或組件。類似地，以單一組件呈現的結構和功能可以多個獨立組件加以實現。這些和其他變化、修改、添加、及改進落入本文描述的申請標的之範圍內。
儘管單獨討論了各種實施例，但這些單獨的實施例並不旨在被視為獨立的技術或設計。如上所述，各種部分的每一個可以是相互關聯的，並且每一個可以單獨使用或與本文討論的所接露申請標的之其他實施例組合使用。例如，雖然已經描述了方法、操作、系統、及製程的各種實施例，但是這些方法、操作、系統、及製過程可以單獨使用或以各種組合使用。
因此，在閱讀和理解本文提供的揭露內容之後，所屬技術領域具有通常知識者將明白，可以進行許多修改和變化。除了在此列舉的那些之外，在本揭露內容的範圍內的功能等效的方法和裝置，熟習此技藝者從前述說明將是顯而易見的。一些實施例的部分和特徵可加以包括在其他實施例的那些部分和特徵中，或替代它們。這種修改和變化係預期為落入隨附申請專利範圍的範疇之內。因此，本揭露內容僅受限於隨附申請專利範圍的條款以及這些申請專利範圍之均等者的全部範疇。還應理解，本文中使用的術語僅用於描述特定實施例的目的，並不旨在進行限制。
提供本揭露內容的摘要以允許讀者快速確定技術揭露內容的性質。提交摘要時理解，它不會用於解釋或限制申請專利範圍。此外，在上述實施方式章節中，可以看出，為了精簡本揭露內容，可以將各種特徵加以群組在單一實施例中。此揭露內容的方法不應解釋為限制申請專利範圍。因此，以下申請專利範圍特此併入實施方式章節中，其中每個申請專利範圍獨立作為獨立的實施例。以下編號示例是所揭露申請標的之具體實施例
示例1：所揭露申請標的之一個實施例描述一種檢測系統，包含多數個機器人，一個以上照相機係耦接至該多數個機器人其中相對應者之各者以針對製造的各種階段的缺陷而檢測一組件。該等照相機各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。該等照相機的至少一些係建構以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。一資料收集站係電耦接至該多數個機器人的相對應者之各者以及該等照相機的一相關聯者。一主資料收集站係電耦接至該等資料收集站的各者。在實施例中，該主資料收集站可為遠程基礎的。
示例2：示例1的檢測系統，其中該多數個機器人其中相對應者及該等照相機的相關聯者係依據在該組件的製造中的各種階段中所使用的一不同供應者而加以定位。
示例3：前述示例任一者的檢測系統，其中該等照相機包含一基於主動像素感測器的照相機及鏡頭組合。
示例4：示例3的檢測系統，其中該基於主動像素感測器的照相機係選自包含基於CMOS的感測器、基於CCD的圖像感測器、及另一類型的數位成像感測器的至少一感測器類型。
示例5：前述示例任一者的檢測系統，更包含一遠心鏡頭及一照明源，該遠心鏡頭係建構成安裝於該照相機之上，該照明源係建構以提供同軸照明（in-line illumination）進入該遠心鏡頭的一光學元件串。
示例6：示例5的檢測系統，其中更包含一分束器，配置於該照明源的一輸出處，以將該照明源的該輸出重定向進該遠心鏡頭的該光學元件串。
示例7：前述示例任一者的檢測系統，其中該多數個機器人的各者具有多個關節及多個自由度。
示例8：前述示例任一者的檢測系統，其中一序列號係關聯於該組件且在該組件的製造中的各種階段維持不變，並且該組件的一零件料號取決於該組件係在製造中的哪個階段而變化。
示例9：前述示例任一者的檢測系統，其中該多數個機器人每一者包含一協作機器人（cobot），其設計以藉由對包含選自該協作機器人的運動速度及該協作機器人的力量之因素的至少一因素加以限制而在該協作機器人與人類之間共用的區域附近安全地工作。
示例10：前述示例任一者的檢測系統，其中該機器人係加以編程為自該組件上的表面的垂直、水平、及其他定向以預定距離進行掃描。
示例11：前述示例任一者的檢測系統，更包含該組件的至少一額外檢測，選自包含顯微術、光學輪廓量測法、及基於觸頭的輪廓量測法的檢測技術。
示例12：前述示例任一者的檢測系統，更包含至少一分析技術，其包括選自能量色散X射線光譜法（EDX）及X射線螢光法（XRF）的分析技術。
示例13：前述示例任一者的檢測系統，其中更包含一製程監控資料庫，電耦接至該主資料收集站，該製程監控資料庫含有基於圖像品質的度量指標，其係針對該組件的一理想化樣本在該組件的製造的各種階段中的各個步驟應該如何呈現。
示例14：示例13的檢測系統，其中該主資料收集站係建構以將在該組件的製造的各種階段中的各個步驟的該組件的該理想化樣本與該組件的一實際版本進行比較。
示例15：示例14的檢測系統，其中來自在該組件的製造的各種階段中的各個步驟之該組件的該理想化樣本與該實際版本的比較之所產生組件變異性係藉由該主資料收集站加以分析，以在該組件的製造中實質即時地提供生產趨勢。
示例16：前述示例任一者的檢測系統，更包含一客戶缺陷資料資料庫，其電耦接至該主資料收集站，以對在一經處理基板上所產生的缺陷與來自在用以處理該基板的一處理機台中所裝配的完成之組件其中多者的交互作用取相關性。
示例17：示例16的檢測系統，其中該主資料收集站係建構以提供在不同時間段所製造的各種組件之間的比較。
示例18：所揭露申請標的之一個實施例描述一種方法，用於操作一自動化目視檢測（AVI）系統以偵測在一組件上的缺陷。該方法包含：校準該AVI系統；自該組件擷取多數個圖像；及將該多數個擷取的圖像各者加載進一程式，以針對在所擷取圖像之內缺陷的存在而分析所擷取圖像。
示例19：示例18的方法，更包含設定一閾值圖像，用於確定在該多數個擷取的圖像之中的感興趣黑色區域；及確定用於設定該閾值圖像的一閾值位準，其基於在該多數個擷取的圖像每一者之內所偵測缺陷。
示例20：示例19的方法，更包含：確定來自該多數個擷取的圖像之一偵測的缺陷是否為一大缺陷及一小缺陷其中一者。基於確定所偵測的缺陷為大缺陷，執行選自包含侵蝕操作及膨脹操作之多個操作的至少一操作，以確定來自偵測的缺陷之黑色區域是否被包含為一較大缺陷的至少一部分。
示例21：所揭露申請標的之一個實施例描述一種自動化目視檢測（AVI）系統，用以偵測在一組件上的缺陷。該AVI系統包含數個機器人，該多數個機器人各者具有一個以上安裝的照相機及鏡頭組合，以檢測在製造的各種階段承受製造步驟的該組件。該照相機包含一數位成像感測器。該數個機器人各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。該AVI系統亦包含：一資料收集站，其電耦接至該數個機器人的相對應者之各者；及一主資料收集站，電耦接至該等資料收集站的各者。該主資料收集站係配置以將在該組件的製造的各種階段中的各個步驟的該組件的一理想化樣本與該組件的一實際版本進行比較。在實施例中，該主資料收集站可為遠程基礎的。
示例22：示例21的AVI系統，其中該照相機及鏡頭組合其中至少一些係建構以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。
示例23：示例21或示例22的AVI系統，其中該照相機及鏡頭組合其中各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。
示例24：前述示例21等等任一者的AVI系統，其中該照相機及鏡頭組合其中至少一些係配置以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。
示例25：前述示例21等等任一者的AVI系統，更包含一遠心鏡頭及一照明源，該遠心鏡頭係建構成安裝於該照相機之上，該照明源係建構以提供同軸照明（in-line illumination）進入該遠心鏡頭的一光學元件串。
示例26：前述示例21等等任一者的AVI系統，其中該多數個機器人每一者包含一協作機器人（cobot），其設計以藉由對包含選自該協作機器人的運動速度及該協作機器人的力量之因素的至少一因素加以限制而在該協作機器人與人類之間共用的區域附近安全地工作。
示例27：前述示例21等等任一者的AVI系統，其中該機器人係加以編程為自該組件上的表面的垂直、水平、及其他定向以預定距離進行掃描。
示例28：前述示例21等等任一者的AVI系統，其中來自在該組件的製造的各種階段中的各個步驟之該組件的該理想化樣本與該實際版本的比較之所產生組件變異性係藉由該主資料收集站加以分析，以在該組件的製造中實質即時地提供生產趨勢。
100:檢測程序 101A~101C:供應者 103A~103C:目視檢測 105A~105C:組件 107A~107C:品質控制文件 109A~109C:本地檔案存儲部 111B, 111C:檢測 151:客戶 153:最終目視檢測 155:完成的組件 157:品質控制文件 159:檔案資料庫 161:詳細級別的檢測 200:自動化檢測系統 201A~201C:供應者 203A~203C:機器人檢測站 205A:組件 205B:組件 205C:組件 207A~207C:通信媒介 209A~209C:資料收集站 251:客戶 253:目視檢測 255:完成的組件 257:品質控制文件 259:檔案資料庫 261:詳細級別的檢測 273:主資料收集站 275:製程監控資料庫 277:升級求解器資料庫 279:客戶缺陷資料資料庫 281:操作者 300:機器人站 301:機器人 302:機器人支架 303:感測器 305:鏡頭 307:安裝台座 309:減振支腳 311:組件 313:組件 315:夾具 317:安裝孔 400:檢測照相機感測器 401:照相機 403:照相機 405:基於CMOS的感測器 407:基於CMOS的感測器 409:鏡頭架座 411:鏡頭架座 430:鏡頭總成 431:前部元件部分 433:P架座螺紋法蘭 450:遠心鏡頭 451:鏡頭筒 453:照明源 455:照明源接頭 457:鏡頭後部元件 459:鏡頭前部元件 461:分束器 463:光圈 465:光線 467:光輸出 469:物體 471:圖像平面 500:頂層級登陸頁面 501:供應者-工程師儀表板鏈結 503:自動化目視檢測儀表板鏈結 505:圖像-觀察者鏈結 510:供應者-工程師儀表板 511:供應者-工程師分派塊 513:供應者代碼塊 515:下拉式供應者選擇塊 517:清單 530:AVI儀表板 531:通過/失敗塊 533:供應者代碼塊 535:零件搜尋塊 537:序列號下鑽塊 539:時間序列下鑽塊 541:整體零件資訊塊 543:AVI記錄塊 545:顯示樹狀圖的區域 547:顯示散布圖的區域 549:顯示熱度圖的區域 551:層級切換塊 553:顯示具有多個分區的靜態圖像的區域 555:顯示圖像資訊的區域 557:顯示匯總統計的區域 559:分格大小選擇塊 561:顯示缺陷資訊的區域 563:顯示統計製程控制（SPC）資料的區域 565:下載AVI資訊塊 570:高階樹狀圖 571:AVI記錄ID 573:選定區域 580:低階樹狀圖 590:散布圖 595:熱度圖 700:機器 701:硬體處理器 703:主記憶體 705:靜態記憶體 707:互連 709:顯示裝置 711:字母數字輸入裝置 713:使用者介面（UI）導引裝置 715:儲存單元 717:信號生成裝置 721:指令 723:機器可讀媒體 725:網路介面裝置 727:通信網路
圖1顯示當前在先前技術下執行的當前檢測程序的高階概觀。
圖2顯示根據所揭露申請標的實施例的自動化檢測系統的高階概觀的示例。
圖3A和3B顯示根據所揭露申請標的實施例的自動化檢測站的示例。
圖4A至4C顯示根據所揭露申請標的實施例的各種檢測照相機感測器和鏡頭總成的實施例。
圖5A到5G顯示可以與所揭露申請標的各種實施例一起使用的圖形化使用者介面（GUI）的示例。
圖6A至6C顯示根據所揭露申請標的之各種實施例的用於執行組件的自動化檢測的方法的示例。
圖7顯示說明機器的示例的方塊圖，所揭露申請標的一個或多個示例性實施例可在其上實施，或者一個或多個示例性實施例可藉由該機器實施或控制。
200:自動化檢測系統
201A~201C:供應者
203A~203C:機器人檢測站
205A:組件
205B:組件
205C:組件
207A~207C:通信媒介
209A~209C:資料收集站
251:客戶
253:目視檢測
255:完成的組件
257:品質控制文件
259:檔案資料庫
261:詳細級別的檢測
273:主資料收集站
275:製程監控資料庫
277:升級求解器資料庫
279:客戶缺陷資料資料庫
281:操作者

Claims (28)

  1. 一種檢測系統，包含： 多數個機器人； 一個以上照相機，耦接至該多數個機器人其中相對應者之各者以針對製造的各種階段的缺陷而檢測一組件，該等照相機各者係定位在與該組件的製造中的各種階段對應之一不同地理位置，該等照相機的至少一些係建構以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上； 資料收集站，電耦接至該多數個機器人的相對應者之各者以及該等照相機的一相關聯者；及 一主資料收集站，電耦接至該等資料收集站的各者。
  2. 如請求項1之檢測系統，其中該多數個機器人其中相對應者及該等照相機的相關聯者係依據在該組件的製造中的各種階段中所使用的一不同供應者而加以定位。
  3. 如請求項1之檢測系統，其中該等照相機包含一基於主動像素感測器的照相機及鏡頭組合。
  4. 如請求項3之檢測系統，其中該基於主動像素感測器的照相機係選自包含基於CMOS的感測器、基於CCD的圖像感測器、及另一類型的數位成像感測器的至少一感測器類型。
  5. 如請求項1之檢測系統，更包含一遠心鏡頭及一照明源，該遠心鏡頭係建構成安裝於該照相機之上，該照明源係建構以提供同軸照明（in-line illumination）進入該遠心鏡頭的一光學元件串。
  6. 如請求項5之檢測系統，更包含一分束器，配置於該照明源的一輸出處，以將該照明源的該輸出重定向進該遠心鏡頭的該光學元件串。
  7. 如請求項1之檢測系統，其中該多數個機器人的各者具有多個關節及多個自由度。
  8. 如請求項1之檢測系統，其中一序列號係關聯於該組件且在該組件的製造中的各種階段維持不變，並且該組件的一零件料號取決於該組件係在製造中的哪個階段而變化。
  9. 如請求項1之檢測系統，其中該多數個機器人每一者包含一協作機器人（cobot），其設計以藉由對包含選自該協作機器人的運動速度及該協作機器人的力量之因素的至少一因素加以限制而在該協作機器人與人類之間共用的區域附近安全地工作。
  10. 如請求項1之檢測系統，其中該機器人係加以編程為自該組件上的表面的垂直、水平、及其他定向以預定距離進行掃描。
  11. 如請求項1之檢測系統，更包含該組件的至少一額外檢測，選自包含顯微術、光學輪廓量測法、及基於觸頭的輪廓量測法的檢測技術。
  12. 如請求項1之檢測系統，更包含至少一分析技術，其包括選自能量色散X射線光譜法（EDX）及X射線螢光法（XRF）的分析技術。
  13. 如請求項1之檢測系統，更包含一製程監控資料庫，電耦接至該主資料收集站，該製程監控資料庫含有基於圖像品質的度量指標，其係針對該組件的一理想化樣本在該組件的製造的各種階段中的各個步驟應該如何呈現。
  14. 如請求項13之檢測系統，其中該主資料收集站係建構以將在該組件的製造的各種階段中的各個步驟的該組件的該理想化樣本與該組件的一實際版本進行比較。
  15. 如請求項14之檢測系統，其中來自在該組件的製造的各種階段中的各個步驟之該組件的該理想化樣本與該實際版本的比較之所產生組件變異性係藉由該主資料收集站加以分析，以在該組件的製造中實質即時地提供生產趨勢。
  16. 如請求項1之檢測系統，更包含一客戶缺陷資料資料庫，其電耦接至該主資料收集站，以對在一經處理基板上所產生的缺陷與來自在用以處理該基板的一處理機台中所裝配的完成之組件其中多者的交互作用取相關性。
  17. 如請求項1之檢測系統，其中該主資料收集站係建構以提供在不同時間段所製造的各種組件之間的比較。
  18. 一種操作一自動化目視檢測（AVI）系統的方法，用以偵測在一組件上的缺陷，該方法包含： 校準該AVI系統； 自該組件擷取多數個圖像；及 將該多數個擷取的圖像各者加載進一程式，以針對在所擷取圖像之內缺陷的存在而分析所擷取圖像。
  19. 如請求項18之方法，更包含： 設定一閾值圖像，用於確定在該多數個擷取的圖像之中的感興趣黑色區域；及 確定用於設定該閾值圖像的一閾值位準，其基於在該多數個擷取的圖像每一者之內所偵測缺陷。
  20. 如請求項19之方法，更包含： 確定來自該多數個擷取的圖像之一偵測的缺陷是否為一大缺陷及一小缺陷其中一者；及 基於確定所偵測的缺陷為大缺陷，執行選自包含侵蝕操作及膨脹操作之多個操作的至少一操作，以確定來自偵測的缺陷之黑色區域是否被包含為一較大缺陷的至少一部分。
  21. 一種自動化目視檢測（AVI）系統，用以偵測在一組件上的缺陷，該AVI系統包含： 多數個機器人，該多數個機器人各者具有安裝至其的一個以上照相機及鏡頭組合，以檢測在製造的各種階段承受製造步驟的該組件，該照相機包含一數位成像感測器，該多數個機器人各者係定位在與該組件的製造中的各種階段對應之一不同地理位置； 資料收集站，電耦接至該多數個機器人的相對應者之各者；及 一主資料收集站，電耦接至該等資料收集站的各者；該主資料收集站係配置以將在該組件的製造的各種階段中的各個步驟的該組件的一理想化樣本與該組件的一實際版本進行比較。
  22. 如請求項21之自動化目視檢測（AVI）系統，其中該照相機及鏡頭組合其中至少一些係建構以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。
  23. 如請求項21之自動化目視檢測（AVI）系統，其中該照相機及鏡頭組合各者係定位在與該組件的製造中的各種階段對應之一不同地理位置。
  24. 如請求項21之自動化目視檢測（AVI）系統，其中該照相機及鏡頭組合其中至少一些係配置以檢測該組件的不面向一台座的所有表面，其中該組件係安裝於該台座之上。
  25. 如請求項21之自動化目視檢測（AVI）系統，更包含一遠心鏡頭及一照明源，該遠心鏡頭係建構成安裝於該照相機之上，該照明源係建構以提供同軸照明（in-line illumination）進入該遠心鏡頭的一光學元件串。
  26. 如請求項21之自動化目視檢測（AVI）系統，其中該多數個機器人每一者包含一協作機器人（cobot），其設計以藉由對包含選自該協作機器人的運動速度及該協作機器人的力量之多個因素的至少一因素加以限制而在該協作機器人與人類之間共用的區域附近安全地工作。
  27. 如請求項21之自動化目視檢測（AVI）系統，其中該機器人係加以編程為自該組件上的表面的垂直、水平、及其他定向以預定距離進行掃描。
  28. 如請求項21之自動化目視檢測（AVI）系統，其中來自在該組件的製造的各種階段中的各個步驟之該組件的該理想化樣本與該實際版本的比較之所產生組件變異性係藉由該主資料收集站加以分析，以在該組件的製造中實質即時地提供生產趨勢。
TW110119162A 2020-05-29 2021-05-27 自動化目視檢測系統 TW202208839A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063032243P 2020-05-29 2020-05-29
US63/032,243 2020-05-29

Publications (1)

Publication Number Publication Date
TW202208839A true TW202208839A (zh) 2022-03-01

Family

ID=78722947

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110119162A TW202208839A (zh) 2020-05-29 2021-05-27 自動化目視檢測系統

Country Status (6)

Country Link
US (1) US20230222646A1 (zh)
JP (1) JP2023528378A (zh)
KR (1) KR20230026338A (zh)
CN (1) CN116134305A (zh)
TW (1) TW202208839A (zh)
WO (1) WO2021243360A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833253B (zh) * 2022-06-21 2024-02-21 奇景光電股份有限公司 觸控面板自動檢測機台

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2940449A1 (fr) * 2008-12-24 2010-06-25 Snecma Procede de controle non destructif d'une piece mecanique
US20160063691A1 (en) * 2014-09-03 2016-03-03 Apple Inc. Plenoptic cameras in manufacturing systems
JP2017062160A (ja) * 2015-09-24 2017-03-30 アイシン精機株式会社 欠陥検査装置および欠陥検査方法
US10269108B2 (en) * 2017-09-01 2019-04-23 Midea Group Co., Ltd. Methods and systems for improved quality inspection of products using a robot
JP6884077B2 (ja) * 2017-09-12 2021-06-09 日立Astemo株式会社 表面検査装置及び表面検査方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833253B (zh) * 2022-06-21 2024-02-21 奇景光電股份有限公司 觸控面板自動檢測機台

Also Published As

Publication number Publication date
WO2021243360A1 (en) 2021-12-02
US20230222646A1 (en) 2023-07-13
KR20230026338A (ko) 2023-02-24
JP2023528378A (ja) 2023-07-04
CN116134305A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN113302728B (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
JP7026719B2 (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
KR102438824B1 (ko) 3차원 반도체 구조체들의 검사를 위한 결함 발견 및 레시피 최적화
JP6785663B2 (ja) 検査のための高解像度フルダイイメージデータの使用
KR102100007B1 (ko) 레티클들을 검사하기 위한 머신 학습 방법 및 장치
TWI608231B (zh) 無偏差之晶圓缺陷樣本
TWI761420B (zh) 對自一晶圓偵測之多個缺陷進行分類的方法及系統，及非暫時性電腦可讀媒體
JP6280118B2 (ja) 自動検査シナリオ生成
TWI611488B (zh) 使用精確缺陷位置調整晶圓檢查配方
JP2019049556A (ja) ウェーハの検査システム及び方法
TWI778078B (zh) 用於自動缺陷分類之方法及系統以及相關非暫時性電腦程式產品
CN112840205B (zh) 基于设计及噪声的关注区域
TWI744540B (zh) 用於高效處理窗口探索之混合檢測系統
TWI780309B (zh) 檢測位於具有非重複特徵的背景中之晶粒重複程式化缺陷
WO2015030860A1 (en) Identification of damaged tools
JP2018516451A (ja) 検査ツールの検査感度を高めるシステム及び方法
WO2015191906A1 (en) Automatic recipe stability monitoring and reporting
KR102543870B1 (ko) 매립된 결함의 특성화를 위한 시스템 및 방법
TW202208839A (zh) 自動化目視檢測系統
KR102574356B1 (ko) 얕은 딥 러닝을 이용한 차분 필터 및 애퍼처 선택을 위한 시스템 및 방법
JP2019527475A (ja) 感度改善およびニューサンス抑制のため、論理的およびホットスポット検査でｚレイヤコンテキストを使用するシステムおよび方法
TW201809592A (zh) 自動化三維量測
US10062012B1 (en) Finding patterns in a design based on the patterns and their surroundings
KR20230057462A (ko) 시료 검사의 셋업
Schöch et al. Automating the surface inspection on small customer-specific optical elements