TWI741791B

TWI741791B - 晶圓檢驗方法及系統

Info

Publication number: TWI741791B
Application number: TW109131945A
Authority: TW
Inventors: 蔡佳霖; 古文燁; 李泓儒
Original assignee: 南亞科技股份有限公司
Priority date: 2020-09-16
Filing date: 2020-09-16
Publication date: 2021-10-01
Also published as: CN114264657A; TW202213277A

Abstract

一種晶圓檢驗方法，包括下列步驟：擷取複數張銲墊影像；根據一物件偵測模型對該些銲墊影像進行辨識，並將該些銲墊影像分類為複數張第一類銲墊影像以及複數張第二類銲墊影像，其中該些第一類銲墊影像各自包含一扎穿特徵以及一第一針痕特徵，而該些第二類銲墊影像各自包含一第二針痕特徵；計算該扎穿特徵與該第一類銲墊影像上的一第一預設區域之面積比值；判斷該面積比值是否大於一預設值；以及，儲存分類與判斷結果。本揭示內容同時提供一種晶圓驗證系統，用以執行該晶圓驗證方法。

Description

晶圓檢驗方法及系統

本揭示內容係有關於一種晶圓檢驗方法及系統，特別是指一種晶圓上銲墊的檢驗方法及系統。

一般來說，在切割與封裝晶圓(wafer)之前，會先對晶圓進行針測。於針測過程中，測試設備藉由將探針卡(probe card)上的探針接觸晶圓上的銲墊(pad)，來對晶圓上的電路進行電性功能上的測試，以避免造成封裝後才發現電路無法正常工作的狀況。其中，若探針與銲墊的接觸次數達到五次以上，則銲墊容易發生被探針扎穿的狀況，進而於後續的封裝過程中產生金線無法連接至銲墊的問題。有鑑於此，晶圓在經過針測後，還需檢驗銲墊的品質是否良好。目前檢驗銲墊品質的做法，是藉由作業人員觀看數以萬張由光學顯微鏡所拍攝的銲墊照片，來判斷銲墊是否有被扎穿。當作業人員判斷銲墊被扎穿時，會將被扎穿銲墊的照片及其相關晶圓的資訊上傳至異常流程改善系統，以供品管人員確認並進行後續處理。

然而，以人力方式來判斷銲墊是否有被扎穿，往往容易因為疲勞等因素在判斷上發生失誤，且判斷銲墊是否有被扎穿的標準又常常因人而異。因此，有必要對檢驗銲墊品質的做法進行改善。

本揭示內容的一態樣為一晶圓檢驗方法。該晶圓檢驗方法包括下列步驟：擷取複數張銲墊影像；根據一物件偵測模型對該些銲墊影像進行辨識，並將該些銲墊影像分類為複數張第一類銲墊影像以及複數張第二類銲墊影像，其中該些第一類銲墊影像各自包含一扎穿特徵以及一第一針痕特徵，而該些第二類銲墊影像各自包含一第二針痕特徵；計算該扎穿特徵與該第一類銲墊影像上的一第一預設區域之面積比值；判斷該面積比值是否大於一預設值；以及，儲存分類與判斷結果。

本揭示內容的另一態樣為一晶圓檢驗系統。該晶圓檢驗系統包括一影像擷取單元、一儲存單元以及一處理單元。該影像擷取單元用以擷取複數張銲墊影像。該儲存單元耦接於該影像擷取單元，並用以儲存該些銲墊影像。該處理單元耦接於該儲存單元，並用以：根據一物件偵測模型對該些銲墊影像進行辨識，並將該些銲墊影像分類為複數張第一類銲墊影像以及複數張第二類銲墊影像，其中該些第一類銲墊影像各自包含一扎穿特徵以及一第一針痕特徵，而該些第二類銲墊影像各自包含一第二針痕特徵；計算該扎穿特徵與該第一類銲墊影像上的一第一預設區域之面積比值；判斷該面積比值是否大於一預設值；以及，將分類與判斷結果儲存於該儲存單元。

本揭示內容的晶圓檢驗系統以及晶圓檢驗方法藉由深度學習之技術，來自動化地辨識晶圓上的銲墊是否有被扎穿，進而避免因為作業人員疲勞或因人而異的主觀判斷而造成判斷誤差。此外，相較於平常以人力來檢驗銲墊是否有被扎穿的傳統方法，本揭示內容的晶圓檢驗系統還可大幅縮短檢驗銲墊是否有被扎穿的時間，以有效增加檢驗晶圓的效率。

下文係舉實施例配合所附圖式作詳細說明，但所描述的具體實施例僅用以解釋本案，並不用來限定本案，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本揭示內容所涵蓋的範圍。

在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭示之內容中與特殊內容中的平常意義。

關於本文中所使用之『第一』、『第二』…等，並非特別指稱次序或順位的意思，亦非用以限定本揭示，其僅僅是為了區別以相同技術用語描述的元件或操作而已。

另外，關於本文中所使用之「耦接」或「連接」，均可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，亦可指二或多個元件相互操作或動作。

請參閱第1圖，本揭示內容的其中一實施例係關於一晶圓檢驗系統100。晶圓檢驗系統100包括一影像擷取單元110、一儲存單元120以及一處理單元130。其中，晶圓檢驗系統100係用以抽檢經過針測後之一晶圓10上的複數個銲墊12的品質，以利後續作業的進行。

舉例來說，由於該些銲墊12在晶圓10的針測過程中會被探針(圖中未示)接觸，探針可能在該些銲墊12上留下針痕，或甚至可能將部份的該些銲墊12扎穿，進而導致在後續封裝作業時發生金線連接不上銲墊12的問題。這時，晶圓檢驗系統100即可檢驗該些銲墊12上是否有被探針扎穿的情況發生，以利後續封裝作業的進行。

如第1圖所示，儲存單元120分別耦接於影像擷取單元110與處理單元130。於本實施例中，影像擷取單元110可以為光學顯微鏡，儲存單元120可以為記憶體、硬碟或任何具相等性的儲存組件，而處理單元130可以為處理器、中央處理單元或計算單元。

於檢驗晶圓10時，影像擷取單元110用以針對該些銲墊12擷取複數張銲墊影像14A~14B(請參閱第2A、2B圖)，儲存單元120用以接收並儲存影像擷取單元110所擷取的該些銲墊影像14A~14B，而處理單元130用以根據一物件偵測模型對該些銲墊影像14A~14B進行辨識與分類，以找出有被扎穿的銲墊12。於本實施例中，處理單元130根據該物件偵測模型，將該些銲墊影像14A~14B分類為複數張第一類銲墊影像14A以及複數張第二類銲墊影像14B。具體而言，如第2A圖所示，該些第一類銲墊影像14A各自包含一針痕特徵141A以及一扎穿特徵143，其中扎穿特徵143位於針痕特徵141A的區域內，扎穿特徵143的面積小於針痕特徵141A的面積。如第2B圖所示，該些第二類銲墊影像14B各自僅包含一針痕特徵141B。

值得注意的是，該物件偵測模型是由一深度學習演算法根據訓練資料60加以訓練。請參閱第3圖，其繪示用於訓練該物件偵測模型的訓練資料60的示意圖。

於本實施例中，訓練資料60可包含複數張訓練影像16A~16C，其中訓練影像16A~16C除各自包含針痕特徵161A~161C以及扎穿特徵163A~163C之外，更被加上與訓練影像16A~16C上的扎穿特徵163A~163C相對應的扎穿標記C1~C3。其中，扎穿標記C1~C3並不被限制為如第3圖所示的矩形，其也可以為與扎穿特徵163A~163C相對應的形狀。

訓練時，基於訓練影像16A~16C對初始的物件偵測模型反覆進行多次訓練。在每次訓練中，將遮蔽了扎穿標記C1~C3的訓練影像16A~16C輸入至訓練中的物件偵測模型。並且，訓練中的物件偵測模型藉由分析具有扎穿特徵163A~163C的訓練影像 16A~16C，來學習何為具有扎穿特徵的影像。如此一來，當訓練後的物件偵測模型接收到未知是否具有扎穿特徵的影像時，訓練後的物件偵測模型便可根據先前訓練時所累積的權重參數，判斷當前接收的影像是否包含扎穿特徵。

於另一實施例中，訓練資料60除了上述訓練影像16A~16C(即，各自包含針痕特徵161A~161C、扎穿特徵163A~163C以及扎穿標記C1~C3)之外，更進一步地包含複數張其他訓練影像(圖中未示)，其中該些訓練影像各自僅包含有針痕特徵。換言之，訓練資料60可同時包含有各自具有針痕特徵、扎穿特徵與扎穿標記的訓練影像16A~16C以及各自僅具有針痕特徵的其他訓練影像。於訓練過程中，訓練中的物件偵測模型藉由分析具有扎穿特徵163A~163C的訓練影像16A~16C與不具有扎穿特徵的其他訓練影像，來學習何為具有扎穿特徵的影像以及何為不具有扎穿特徵的影像。如此一來，當訓練後的物件偵測模型接收到未知是否具有扎穿特徵的影像時，訓練後的物件偵測模型便可根據先前訓練時所累積的權重參數，判斷當前接收的影像較為接近具有扎穿特徵163A~163C的訓練影像16A~16C，或者較為接近不具有扎穿特徵的其他訓練影像。

此外，在每次訓練之前，可根據前一次訓練中的訓練結果，調整訓練中的物件偵測模型中的權重參數，以校正訓練中的物件偵測模型。

經過上述訓練後，會再以一組驗證資料80，驗證訓練後的物件偵測模型在辨識影像中是否包含扎穿特徵時的成功率，以確認訓練後的物件偵測模型是否完成訓練。請參閱第4圖，其繪示用於驗證該物件偵測模型的驗證資料80的示意圖。驗證資料80可包含複數張驗證影像18A~18C，其中部分的驗證影像18A、18C僅包含有針痕特徵181A、181C，而其餘的驗證影像18B各自包含有針痕特徵181B以及扎穿特徵183B。當以驗證影像18A~18C來對訓練後的物件偵測模型進行驗證時，若訓練後的物件偵測模型可判斷驗證影像18B為具有扎穿特徵的一類影像，同時判斷驗證影像18A、18C為不具有扎穿特徵的另一類影像，則表示該物件偵測模型已完成訓練。

進一步地說，若以驗證影像18A~18C來對該物件偵測模型進行驗證可獲得95%的成功率，則代表該物件偵測模型已完成訓練。或者，一方面根據該物件偵測模型對影像18A~18C進行第一次辨識，另一方面又以人力對驗證影像18A~18C進行第二次辨識，若兩次辨識的結果相近，則也可代表該物件偵測模型已完成訓練。

簡言之，該物件偵測模型根據與扎穿特徵163A~163C相對應的扎穿標記C1~C3來學習一般扎穿特徵可能具有的大小、形狀、位置或顏色。如此一來，處理單元130可根據該物件偵測模型來辨識該些銲墊影像14A~14B上是否有包含扎穿特徵143，進而將該些銲墊影像14A~14B分類。值得注意的是，比起人眼辨識，處理單元130根據該物件偵測模型更易於分辨出扎穿特徵143和銲墊影像14A~14B上與扎穿特徵143相近的異物(例如鋁屑)的不同。

在該些銲墊影像14A~14B被分類完後，處理單元130會將分類結果儲存至儲存單元120，並進一步地分析該些第一類銲墊影像14A與該些第二類銲墊影像14B。

請再次參閱第2A圖，針對第一類銲墊影像14A上的扎穿特徵143，處理單元130可透過對第一類銲墊影像14A進行顏色過濾，來找出扎穿特徵143的輪廓。接著，根據扎穿特徵143A的輪廓，同時計算扎穿特徵143的面積以及第一類銲墊影像14A上的一第一預設區域A1(如第2A圖中一點鏈線所圍之矩形區域，其中該矩形區域的其中相對兩邊與銲墊影像14A的邊緣重疊而看不出來)的面積，以獲取扎穿特徵143與第一預設區域A1之面積比值。接著，處理單元130進一步地判斷該面積比值是否大於一預設值，並將判斷結果儲存至儲存單元120。

假設該預設值為2%，當扎穿特徵143與第一預設區域A1之面積比值大於2%時，代表銲墊12被探針扎穿的情況較為嚴重，為避免被扎穿的銲墊12 影響金線之連接，可能得將其作廢丟棄。當扎穿特徵143與第一預設區域A1之面積比值小於2%時，代表銲墊12被探針扎穿的情況還算輕微，可進一步地對被扎穿的銲墊12進行補救。簡言之，當晶圓檢驗系統100檢驗該些銲墊12上有被探針扎穿的情況發生時，可藉由進一步地分析該些第一類銲墊影像14A，來看是否有可能對被扎穿的該些銲墊12採取補救措施。如此一來，即可避免該些銲墊12因為被檢驗到有被扎穿就被直接丟棄的情況發生，進而減少浪費並降低成本。

此外，請同時參閱第2A、2B圖，針對第一類銲墊影像14A上的針痕特徵141A以及第二類銲墊影像14B上的針痕特徵141B，處理單元130分別會偵測針痕特徵141A與第一類銲墊影像14A上的一第二預設區域B1(如第2A圖中虛線所圍之矩形區域，其中該矩形區域的四邊與銲墊影像14A的邊緣部分重疊而看不出來)之間的最小距離以及針痕特徵141B與第二類銲墊影像14B上的一第三預設區域B2(如第2B圖中虛線所圍之矩形區域，其中該矩形區域的四邊與銲墊影像14B的邊緣部分重疊而看不出來)之間的最小距離，並將偵測結果儲存至儲存單元120。

於本實施例中，第二預設區域B1為根據第一類銲墊影像14A的二垂直長邊以及二水平長邊劃分而成的矩形區域，第三預設區域B2為根據第二類銲墊影像14B的二垂直長邊以及二水平長邊劃分而成的矩形區域。此外，第二預設區域B1與第三預設區域B2之範圍可與彼此相同，並可分別大於第一預設區域A1之範圍(例如，第2A圖中虛線所圍之矩形區域大於第2A圖中一點鏈線所圍之矩形區域)。

具體而言，處理單元130可透過對第一類銲墊影像14A進行顏色過濾，來找出針痕特徵141A的輪廓。接著，根據針痕特徵141A的輪廓，處理單元130分別偵測針痕特徵141A與第二預設區域B1的四個邊(即，第2A圖中虛線所圍之矩形區域的四個邊)之間最近的四個距離D1~D4，並藉由將四個距離D1~D4交互比對，來找出針痕特徵141A與第二預設區域B1之間的最小距離D2。處理單元130可以類似的方式找出針痕特徵141B與第三預設區域B2之間的最小距離D6，在此不贅述。可以理解的是，上述找出針痕特徵141A、141B分別與第二預設區域B1和第三預設區域B2之間的最小距離的方法並不限於此。

於本實施例中，處理單元130是在對該些銲墊影像14A~14B分類後才對第一類銲墊影像14A上的針痕特徵141A以及第二類銲墊影像14B上的針痕特徵141B進行分析，然而，本揭示內容並不限於此。於另一實施例中，處理單元130可在對該些銲墊影像14A~14B分類的同時，對該些銲墊影像14A~14B 上的針痕特徵141A~141B進行分析。

又於另一實施例中，在偵測出針痕特徵141A、141B與銲墊12的邊緣(即，與第二預設區域B1的邊緣)之間的最小距離後，處理單元130還可比對該最小距離是否符合規範。舉例來說，若第2A圖中的最小距離D2大於5微米，代表針測時探針與銲墊12的相對位置關係屬於正常。若第2A圖中的最小距離D2小於5微米且大於0，代表針測時探針有可能離銲墊12的中央部分太遠，需要對測試人員發出警示。此外，若第2A圖中的最小距離D2接近或幾乎等於0，代表針測時探針已經對不準銲墊12，需要在下次針測前校正探針的位置或角度等相關參數。

簡言之，晶圓檢驗系統100除了檢驗該些銲墊12是否有被探針扎穿的情況發生，還可藉由進一步地分析該些銲墊影像14A~14B中的針痕特徵141A、141B，來看是否有需要對探針進行校正。如此一來，即可避免因為探針對不準銲墊12而影響偵測結果的問題發生，使晶圓10的測試過程更為順利。

值得注意的是，藉由將該些銲墊影像14A~14B的分類結果、扎穿特徵143之面積的判斷結果以及針痕特徵141A、141B與銲墊12邊緣間之最小距離的偵測結果儲存於儲存單元120，測試人員可根據上述分類、判斷與儲存結果迅速得知晶圓10上的該些銲墊12的品質優劣，以對晶圓10進行適當的處理，有利於後續作業的進行。

請參閱第5圖，其繪示本揭示內容的其中一實施例的晶圓檢驗方法200的流程圖。晶圓檢驗方法200可以在如第1圖所示的晶圓檢驗系統100上執行。

於步驟S210中，藉由影像擷取單元110拍攝晶圓10上的複數個銲墊12，來擷取如第2A、2B圖所示的複數張銲墊影像14A、14B，並將該些銲墊影像14A、14B儲存於儲存單元120。於步驟S220中，處理單元130根據一物件偵測模型對儲存單元120中的該些銲墊影像14A、14B進行辨識，並將該些銲墊影像14A、14B分類為複數張第一類銲墊影像14A以及複數張第二類銲墊影像14B。其中，該些第一類銲墊影像14A各自包含一扎穿特徵143以及一針痕特徵141A，而該些第二類銲墊影像14B各自包含一針痕特徵141B。具體而言，該物件偵測模型是由一深度學習演算法根據如第3圖所示的一組訓練資料60加以訓練，並根據如第4圖所示的一組驗證資料80加以驗證。如此一來，處理單元130可根據該物件偵測模型對該些銲墊影像14A~14B進行辨識與分類，以獲取上述分類結果。

接著，處理單元130分析第一類銲墊影像14A上的扎穿特徵143(如第2A圖所示)。於步驟S230中，處理單元130分別計算扎穿特徵143之面積與第一類銲墊影像14A上的一第一預設區域A1之面積，以進一步地計算出扎穿特徵143與第一類銲墊影像14A上的第一預設區域A1之面積比值。於步驟S240中，處理單元130藉由比對該面積比值與一預設值，以判斷該面積比值是否大於該預設值。如此一來，使用者可依據判斷結果，來看是否有可能對被扎穿的銲墊12採取補救措施。

此外，處理單元130還會分析第一類銲墊影像14A上的針痕特徵141A以及第二類銲墊影像14B上的針痕特徵141B(如第2A、2B圖所示)。於步驟S250以及步驟S260中，處理單元130分別偵測針痕特徵141A與一第二預設區域B1之間的最小距離以及針痕特徵141B與一第三預設區域B2之間的最小距離。最終，於步驟S270中，處理單元130將該些銲墊影像14A~14B的分類結果、扎穿特徵143之面積的判斷結果與針痕特徵141A、141B與銲墊12邊緣間之最小距離的偵測結果儲存於儲存單元120。

於另一實施例中，在偵測出針痕特徵141A、141B與銲墊12邊緣間之最小距離後，處理單元130還可判斷該最小距離是否符合規範，並將該比對結果儲存於儲存單元120。

綜上，本揭示內容的晶圓檢驗系統100以及晶圓檢驗方法200藉由深度學習之技術，來自動化地辨識晶圓10上的銲墊12是否有被扎穿，進而避免因為作業人員疲勞或因人而異的主觀判斷而造成判斷誤差。相較於平常以人力來檢驗銲墊12是否有被扎穿的傳統方法，本揭示內容的晶圓檢驗系統100還可大幅縮短檢驗銲墊12是否有被扎穿的時間，以有效增加檢驗晶圓的效率。

雖然本揭示內容已以實施方式揭露如上，然其並非用以限定本揭示內容，所屬技術領域具有通常知識者在不脫離本揭示內容之精神和範圍內，當可作各種更動與潤飾，因此本揭示內容之保護範圍當視後附之申請專利範圍所界定者為準。

10:晶圓

12:銲墊

14A:第一類銲墊影像

14B:第二類銲墊影像

16A,16B,16C:訓練影像

18A,18B,18C:驗證影像

60:訓練資料

80:驗證資料

100:晶圓檢驗系統

110:影像擷取單元

120:儲存單元

130:處理單元

141A,141B,161A,161B,161C,181A,181B,181C:針痕特徵

143,163A,163B,163C,183B:扎穿特徵

200:晶圓檢驗方法

A1:第一預設區域

B1:第二預設區域

B2:第三預設區域

C1,C2,C3:扎穿標記

D1,D2,D3,D4,D5,D6,D7,D8:距離

S210,S220,S230,S240,S250,S260,S270:步驟

第1圖係根據本揭示內容之部分實施例繪示的一種晶圓檢驗系統的示意圖。第2A圖係根據本揭示內容之部分實施例繪示的第一類銲墊影像的示意圖。第2B圖係根據本揭示內容之部分實施例繪示的第二類銲墊影像的示意圖。第3圖係根據本揭示內容之部分實施例繪示的訓練資料的示意圖。第4圖係根據本揭示內容之部分實施例繪示的驗證資料的示意圖。第5圖係根據本揭示內容之部分實施例繪示一種晶圓檢驗方法的流程圖。

國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無

200:晶圓檢驗方法

S210,S220,S230,S240,S250,S260,S270:步驟

Claims

一種晶圓檢驗方法，包括：擷取複數張銲墊影像；根據一物件偵測模型對該些銲墊影像進行辨識，並將該些銲墊影像分類為複數張第一類銲墊影像以及複數張第二類銲墊影像，其中該些第一類銲墊影像各自包含一扎穿特徵以及一第一針痕特徵，而該些第二類銲墊影像各自包含一第二針痕特徵，該扎穿特徵位於該第一針痕特徵的區域內，該扎穿特徵的面積小於該第一針痕特徵的面積；計算該扎穿特徵與該第一類銲墊影像上的一第一預設區域之面積比值；判斷該面積比值是否大於一預設值；及儲存分類與判斷結果。
如請求項1所述之晶圓檢驗方法，進一步包括：偵測該第一針痕特徵與該第一類銲墊影像上的一第二預設區域之間的最小距離；偵測該第二針痕特徵與該第二類銲墊影像上的一第三預設區域之間的最小距離；及儲存偵測結果。
如請求項2所述之晶圓檢驗方法，其中該第二預設區域為根據該第一類銲墊影像的二垂直長邊以及二水平長邊劃分而成的矩形區域，該第三預設區域為根據該第二類銲墊影像的二垂直長邊以及二水平長邊劃分而成的矩形區域，且該第二預設區域之面積與該第三預設區域之面積大於該第一預設區域之面積。
如請求項1所述之晶圓檢驗方法，其中該物件偵測模型是由一深度學習演算法根據一訓練資料加以訓練，該訓練資料包含複數張訓練影像以及與該些訓練影像相對應的複數個扎穿標記。
如請求項4所述之晶圓檢驗方法，其中在每次訓練中，將遮蔽了該些扎穿標記的該些訓練影像輸入至該物件偵測模型。
一種晶圓檢驗系統，包括：一影像擷取單元，用以擷取複數張銲墊影像；一儲存單元，耦接於該影像擷取單元，並用以儲存該些銲墊影像；及一處理單元，耦接於該儲存單元，並用以：根據一物件偵測模型對該些銲墊影像進行辨識，並將該些銲墊影像分類為複數張第一類銲墊影像以及複數張第二類銲墊影像，其中該些第一類銲墊影像各自包含一扎穿特徵以及一第一針痕特徵，而該些第二類銲墊影像各自包含一第二針痕特徵，該扎穿特徵位於該第一針痕特徵的區域內，該扎穿特徵的面積小於該第一針痕特徵的面積；計算該扎穿特徵與該第一類銲墊影像上的一第一預設區域之面積比值；判斷該面積比值是否大於一預設值；及將分類與判斷結果儲存於該儲存單元。
如請求項6所述之晶圓檢驗系統，其中該處理單元更用以：偵測該第一針痕特徵與該第一類銲墊影像上的一第二預設區域之間的最小距離；偵測該第二針痕特徵與該第二類銲墊影像上的一第三預設區域之間的最小距離；及將偵測結果儲存於該儲存單元。
如請求項7所述之晶圓檢驗系統，其中該第二預設區域為根據該第一類銲墊影像的二垂直長邊以及二水平長邊劃分而成的矩形區域，該第三預設區域為根據該第二類銲墊影像的二垂直長邊以及二水平長邊劃分而成的矩形區域，且該第二預設區域之面積與該第三預設區域之面積大於該第一預設區域之面積。
如請求項6所述之晶圓檢驗系統，其中該物件偵測模型是由一深度學習演算法根據一訓練資料加以訓練，該訓練資料包含複數張訓練影像以及與該些訓練影像相對應的複數個扎穿標記。
如請求項9所述之晶圓檢驗系統，其中在每次訓練中，將遮蔽了該些扎穿標記的該些訓練影像輸入至該物件偵測模型。