TWI843333B - 半導體芯片載板的缺陷驗證方法、檢測方法及aoi設備 - Google Patents
半導體芯片載板的缺陷驗證方法、檢測方法及aoi設備 Download PDFInfo
- Publication number
- TWI843333B TWI843333B TW111147730A TW111147730A TWI843333B TW I843333 B TWI843333 B TW I843333B TW 111147730 A TW111147730 A TW 111147730A TW 111147730 A TW111147730 A TW 111147730A TW I843333 B TWI843333 B TW I843333B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- image
- sub
- verification
- model
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 322
- 238000012795 verification Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 239000004065 semiconductor Substances 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims description 24
- 230000008439 repair process Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract 1
- 239000000758 substrate Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本公開提供了一種半導體芯片載板的缺陷驗證方法、檢測方法及AOI設備，驗證方法包括以下步驟：對缺陷檢測中的載板進行掃描，得到載板的掃描圖像，並對掃描圖像進行缺陷識別，得到缺陷識別結果；對掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；遍歷子圖像集中的每一個子圖像，將一子圖像輸入預先完成訓練的AI模型，AI模型被配置為對預先定義的缺陷類型進行識別，若AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像。本公開提供的驗證方法、檢測方法及AOI設備通過AI算法提前將關鍵缺陷識別進行標記，以避免人工核查同一個IC單元上的其他缺陷，大大減少人工驗證時間。
Description
本發明涉及IC載板檢測技術領域，尤其涉及半導體芯片載板的缺陷驗證方法、檢測方法及AOI設備。
目前IC載板通常使用AOI設備進行檢測，在檢測過程中，針對出現的缺陷，通常需要人工驗證才能最終判別，以減少機器誤判的風險，但是實際應用中，由於載板上可能出現的缺陷的種類繁多，操作人員難以快速判別，大大增加了工作難度和工作量。
以上背景技術內容的公開僅用於輔助理解本發明的發明構思及技術方案，其並不必然屬於本專利申請的現有技術，也不必然會給出技術教導；在沒有明確的證據表明上述內容在本專利申請的申請日之前已經公開的情況下，上述背景技術不應當用於評價本申請的新穎性和創造性。
為瞭解決現有技術的問題，本發明提供了一種半導體芯片載板的缺陷驗證方法、檢測方法及AOI設備，通過AI算法優化操作人員的核查順序，以大大減少其工作量。
為達到上述目的，本發明采用的技術方案如下：
一種半導體芯片載板的缺陷驗證方法，半導體芯片載板上排列有多個IC單元，所述缺陷驗證方法包括以下步驟：
利用AOI設備對缺陷檢測中的載板進行掃描，得到所述載板的掃描圖像，並使用AOI設備中的檢測模型對所述掃描圖像進行缺陷識別，得到缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；
對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；
遍歷所述子圖像集中的每一個子圖像，包括：將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；
根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證。
根據本發明的另一方面，提供了一種半導體芯片載板的缺陷驗證方法，半導體芯片載板上排列有多個IC單元，所述缺陷驗證方法包括以下步驟：
利用AOI設備對缺陷檢測中的載板進行掃描，得到所述載板的掃描圖像，並使用AOI設備中的檢測模型對所述掃描圖像進行缺陷識別，得到缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；
對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；
遍歷所述子圖像集中的每一個子圖像，包括：將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；
操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
進一步基於上述兩種驗證方法，若一IC單元被標記為廢棄單元，則後續檢測或修復流程中直接跳過該IC單元。
進一步地，將與該子圖像對應的IC單元標記為廢棄單元之前還包括：顯示所述AI模型識別到的缺陷，由操作人員驗證該缺陷是否屬於預先定義的缺陷類型，若是，則將與該子圖像對應的IC單元標記為廢棄單元。
進一步地，若所述操作人員驗證該缺陷不屬於預先定義的缺陷類型，則停止將與該子圖像對應的IC單元標記為廢棄單元。
進一步地，所述缺陷識別結果還包括缺陷類型，若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過，否則對該缺陷進行復核。
進一步地，利用AOI設備對缺陷檢測中的載板進行掃描，並對所述掃描圖像進行缺陷識別；
若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型不一致，則由復核人員對顯示的缺陷進行識別，若復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；
並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練。
進一步地，所述預先定義的缺陷類型包括開路類型和/或短路類型。
進一步地，所述AI模型僅專註於學習開路和/或短路的缺陷特征，所述AI模型預先訓練所使用的訓練樣本集中樣本圖像所具有的缺陷僅包括開路和/或短路。
進一步地，若所述操作人員驗證該缺陷不屬於預先定義的缺陷類型，則以操作人員的驗證識別結果作為該子圖像的標簽，得到一學習樣本；
並將該學習樣本加入所述AI模型的訓練樣本集，利用更新後的訓練樣本集對所述AI模型進行再訓練，以優化所述AI模型。
根據本發明的再一方面，提供了一種半導體芯片載板的缺陷檢測方法，利用所述的缺陷驗證方法，得到缺陷檢測結果。
根據本發明的又一方面，提供了一種AOI設備，包括圖像掃描器、缺陷識別模塊和AI模塊，所述圖像掃描器、缺陷識別模塊、AI模塊之間兩兩通信連接，
所述圖像掃描器通過對載板掃描得到所述載板的掃描圖像，所述缺陷識別模塊對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集，對每個子圖像進行缺陷識別，得到初步的缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；
AI模塊遍歷所述子圖像集中的每一個子圖像，AI模塊內置AI模型，AI模塊將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；
根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證。
根據本發明的再一方面，提供了一種AOI設備，包括圖像掃描器、缺陷識別模塊和AI模塊，所述圖像掃描器、缺陷識別模塊、AI模塊之間兩兩通信連接，
所述圖像掃描器通過對載板掃描得到所述載板的掃描圖像，所述缺陷識別模塊對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集，對每個子圖像進行缺陷識別，得到初步的缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；
AI模塊遍歷所述子圖像集中的每一個子圖像，AI模塊內置AI模型，AI模塊將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；
操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
本發明提供的技術方案帶來的有益效果如下：通過AI算法提前將關鍵缺陷識別進行標記，以避免人工核查同一個IC單元上的其他缺陷，大大減少人工驗證時間。
為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。
需要說明的是，本發明的說明書和發明申請專利範圍及上述附圖中的術語“第一”、“第二”等是用於區別類似的對象，而不必用於描述特定的順序或先後次序。應該理解這樣使用的數據在適當情況下可以互換，以便這裏描述的本發明的實施例能夠以除了在這裏圖示或描述的那些以外的順序實施。此外，術語「包括」和「具有」以及他們的任何變形，意圖在於覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、裝置、產品或設備不必限於清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對於這些過程、方法、產品或設備固有的其他步驟或單元。
在本發明的一個實施例中，提供了一種半導體芯片載板的缺陷驗證方法，半導體芯片載板上排列有多個IC單元，比如，載板的尺寸為1m×1m，IC單元的尺寸為1cm×1cm，IC單元之間間隔1cm，並陣列排布在載板上。
對載板上的IC單元進行缺陷驗證時，包括以下步驟：
對缺陷檢測中的載板進行掃描，得到所述載板的掃描圖像，並對所述掃描圖像進行缺陷識別，得到缺陷識別結果，所述缺陷識別結果包括缺陷位置信息，一個缺陷位置對應一個IC單元；
對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；遍歷所述子圖像集中的每一個子圖像，參見圖1，將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種，本實施例將預先定義的缺陷類型稱作為關鍵缺陷，其選取規則為將當前技術無法修復的缺陷、具有嚴重安全隱患的缺陷、修復成本高於目前成本的缺陷等等，經過操作員根據檢測型號篩選確認後才能作為關鍵缺陷。例如，所述預先定義的缺陷類型包括開路類型和短路類型，此時需要AI模型僅專註於學習開路和短路的缺陷特征，AI模型預先訓練所使用的訓練樣本集中樣本圖像所具有的缺陷僅包括開路和短路，以提高AI模型的識別準確率。
在利用AI模型識別以節省人工驗證工作量時，具體包括但不限於以下兩種方式：
（1）若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證。
在這種實施方式中，AI模型會先把每個子圖像識別判斷後，將廢棄單元都標記來，然後操作員可以直接跳過廢棄單元直接驗證其他IC單元的缺陷情況。該實施方式對運行AI模型的處理器的算力要求較大，需要短時間結束運算，但是可以快速存儲多張載板的識別信息，以便將其發送給不同的操作人員進行核查，以提高整體的速度。
（2）若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
與上個實施方式不同的在於，本實施方式中，一個IC單元先經過AI模型判別，然後根據判別結果和先前的缺陷識別結果決定是否需要人工驗證，都結束後在進行下一個子圖像的處理。本實施方式對運行AI模型的處理器的算力要求較小，一個處理完後再進行下一個，也可以在人工驗證的時候提前識別出下一個子圖像的結果，時效性較強，使得操作人員必須一個個驗證過去，避免由於人員疲憊漏看的情況，提高了驗證精準性。
需要說明的是，在上面的兩個實施例中，每個IC單元都會先經過AOI的初步識別，再經過AI模型判別，將兩種判別結果進行整合，減少人工驗證的工作量，以快速完成整體的驗證流程。
在以上兩者種實施例中，若一IC單元被標記為廢棄單元，則表明該IC單元不具備後續投入價值，後續檢測或修復流程中直接跳過該IC單元，以節約時間和成本。
在一個優選實施例中，將與該子圖像對應的IC單元標記為廢棄單元之前還包括：顯示所述AI模型識別到的缺陷，由操作人員驗證該缺陷是否屬於預先定義的缺陷類型，若是，則將與該子圖像對應的IC單元標記為廢棄單元。若所述操作人員驗證該缺陷不屬於預先定義的缺陷類型，則停止將與該子圖像對應的IC單元標記為廢棄單元，並且以操作人員的驗證識別結果作為該子圖像的標簽，得到一學習樣本；並將該學習樣本加入所述AI模型的訓練樣本集，利用更新後的訓練樣本集對所述AI模型進行再訓練，以優化所述AI模型。言而簡之，將其標記為廢棄單元需要經過操作人員的確認，若一致則直接廢棄，否則需要走常規驗證流程，並且需要對AI模型進行優化，提高模型的識別的準確率。
在本發明的一個實施例中，利用AOI設備對缺陷檢測中的載板進行掃描，並對所述掃描圖像進行缺陷識別，以得到缺陷識別結果，所述缺陷識別結果包括缺陷類型和位置信息，若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過，否則由復核人員對顯示的缺陷進行識別，若復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練。本實施例通過人工驗證的反饋，提高了AOI設備初步檢測的準確性。
在本發明的一個實施例中，提供了一種半導體芯片載板的缺陷檢測方法，將上述實施例中缺陷驗證方法的所有特征引入本實施例中，在此不再贅述，本實施利用所述的缺陷驗證方法，得到缺陷檢測結果。
在本發明的一個實施例中，提供了一種AOI設備，包括圖像掃描器、缺陷識別模塊和AI模塊，所述圖像掃描器、缺陷識別模塊、AI模塊之間兩兩通信連接，所述圖像掃描器通過對載板掃描得到所述載板的掃描圖像，所述缺陷識別模塊對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集，對每個子圖像進行缺陷識別，得到初步的缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；
AI模塊遍歷所述子圖像集中的每一個子圖像，AI模塊內置AI模型，AI模塊將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種，例如，取包括短路類型和開路類型。
在利用AI模型識別以節省人工驗證工作量時，具體包括但不限於以下兩種方式：
（1）若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證。
（2）若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
本發明提供的半導體芯片載板的缺陷驗證方法、檢測方法及AOI設備通過AI算法提前將關鍵缺陷識別進行標記，以避免人工核查同一個IC單元上的其他缺陷，大大減少人工驗證時間。
需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限製的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
以上所述僅是本申請的具體實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本申請原理的前提下，還可以做出若幹改進和潤飾，這些改進和潤飾也應視為本申請的保護範圍。
無
為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是本發明實施例提供的缺陷驗證方法的流程示意圖。
Claims (12)
- 一種半導體芯片載板的缺陷驗證方法，其中，半導體芯片載板上排列有多個IC單元，所述缺陷驗證方法包括以下步驟和缺陷類型：對缺陷檢測中的載板進行掃描，得到所述載板的掃描圖像，並對所述掃描圖像進行缺陷識別，得到缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；遍歷所述子圖像集中的每一個子圖像，包括：將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型不一致，則由復核人員對顯示的缺陷進行識別，若 復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練。
- 一種半導體芯片載板的缺陷驗證方法，其中，半導體芯片載板上排列有多個IC單元，所述缺陷驗證方法包括以下步驟和缺陷類型：對缺陷檢測中的載板進行掃描，得到所述載板的掃描圖像，並對所述掃描圖像進行缺陷識別，得到缺陷識別結果，所述缺陷識別結果包括缺陷位置信息；對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集；遍歷所述子圖像集中的每一個子圖像，包括：將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型不一致，則由復核人員對顯示的缺陷進行識別，若 復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練；操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
- 如請求項1或2所述的缺陷驗證方法，其中，若一IC單元被標記為廢棄單元，則後續檢測或修復流程中直接跳過該IC單元。
- 如請求項1或2所述的缺陷驗證方法，其中，將與該子圖像對應的IC單元標記為廢棄單元之前還包括：顯示所述AI模型識別到的缺陷，由操作人員驗證該缺陷是否屬於預先定義的缺陷類型，若是，則將與該子圖像對應的IC單元標記為廢棄單元。
- 如請求項4所述的缺陷驗證方法，其中，若所述操作人員驗證該缺陷不屬於預先定義的缺陷類型，則停止將與該子圖像對應的IC單元標記為廢棄單元。
- 如請求項1所述的缺陷驗證方法，其中，利用AOI設備對缺陷檢測中的載板進行掃描，並對所述掃描圖像進行缺陷識別。
- 如請求項1或2所述的缺陷驗證方法，其中，所述預先定義的缺陷類型包括開路類型和/或短路類型。
- 如請求項7所述的缺陷驗證方法，其中，所述AI模型僅專註於學習開路和/或短路的缺陷特征，所述AI模型預先訓練所使用的訓練樣本集中樣本圖像所具有的缺陷僅包括開路和/或短路。
- 如請求項4所述的缺陷驗證方法，其中，若所述操作人員驗證該缺陷不屬於預先定義的缺陷類型，則以操作人員的驗證識別結果作為該子圖像的標簽，得到一學習樣本；並將該學習樣本加入所述AI模型的訓練樣本集，利用更新後的訓練樣本集對所述AI模型進行再訓練，以優化所述AI模型。
- 一種半導體芯片載板的缺陷檢測方法，其中，利用如請求項1或2所述的缺陷驗證方法，得到缺陷檢測結果。
- 一種AOI設備，其中，包括圖像掃描器、缺陷識別模塊和AI模塊，所述圖像掃描器、缺陷識別模塊、AI模塊之間兩兩通信連接，所述圖像掃描器通過對載板掃描得到所述載板的掃描圖像，所述缺陷識別模塊對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集，對每個子圖像進行缺陷識別，得到初步的缺陷識別結果，所述缺陷識別結果包括缺陷位置信息和缺陷類型；AI模塊遍歷所述子圖像集中的每一個子圖像，AI模塊內置AI模型，AI模塊將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺 陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，並遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷；根據所述缺陷識別結果的缺陷位置信息，顯示所述掃描圖像上被標記為廢棄單元以外的其他IC單元處的缺陷，由操作人員對顯示的缺陷進行驗證；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型不一致，則由復核人員對顯示的缺陷進行識別，若復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練。
- 一種AOI設備，其中，包括圖像掃描器、缺陷識別模塊和AI模塊，所述圖像掃描器、缺陷識別模塊、AI模塊之間兩兩通信連接，所述圖像掃描器通過對載板掃描得到所述載板的掃描圖像，所述缺陷識別模塊對所述掃描圖像進行分割，得到對應各個IC單元的子圖像，組成子圖像集，對每個子圖像進行缺陷識別，得到初步的缺陷識別結果，所述缺陷識別結果包括缺陷位置信息和缺陷類型； AI模塊遍歷所述子圖像集中的每一個子圖像，AI模塊內置AI模型，AI模塊將一子圖像輸入預先完成訓練的AI模型，所述AI模型被配置為對預先定義的缺陷類型進行識別，所述預先定義的缺陷類型的數量小於四種；若所述AI模型識別到該子圖像存在缺陷，則將與該子圖像對應的IC單元標記為廢棄單元，否則，根據所述缺陷識別結果的缺陷位置信息判斷該子圖像是否存在缺陷，若是，則顯示該子圖像的缺陷，由操作人員對顯示的缺陷進行驗證；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型一致，則驗證通過；若操作人員對顯示的缺陷進行驗證的結果與所述缺陷識別結果的缺陷類型不一致，則由復核人員對顯示的缺陷進行識別，若復核人員的識別結果與所述缺陷識別結果的缺陷類型不一致，則以復核人員的識別結果作為該缺陷圖像的標簽，得到一學習樣本；並將該學習樣本加入AOI設備的訓練樣本集，利用更新後的訓練樣本集對AOI設備中的檢測模型進行再訓練；操作人員對顯示的缺陷完成驗證後，或者當該子圖像不存在缺陷時，遍歷下一個子圖像，直至所述子圖像集中的全部子圖像完成遍歷。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210860208.5A CN115035101B (zh) | 2022-07-22 | 2022-07-22 | 半导体芯片载板的缺陷验证方法、检测方法及aoi设备 |
| CN202210860208.5 | 2022-07-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202407641A TW202407641A (zh) | 2024-02-16 |
| TWI843333B true TWI843333B (zh) | 2024-05-21 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120186A1 (zh) | 2019-12-20 | 2021-06-24 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120186A1 (zh) | 2019-12-20 | 2021-06-24 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
| Sun et al. | Surface defects detection based on adaptive multiscale image collection and convolutional neural networks | |
| CN111080622A (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
| CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN112424827A (zh) | 附标签的图像数据的制作方法、检查方法、程序、附标签的图像数据的制作装置及检查装置 | |
| CN112233090A (zh) | 基于改进注意力机制的薄膜瑕疵检测方法 | |
| CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
| CN110827277A (zh) | 一种基于yolo3网络的布匹瑕疵检测方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN111179250A (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
| TWM604031U (zh) | 基於人工智能的光學檢測系統 | |
| CN113111903A (zh) | 智能产线监测系统及监测方法 | |
| CN112017154A (zh) | 基于Mask R-CNN模型的一种射线缺陷检测方法 | |
| CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
| TWI843333B (zh) | 半導體芯片載板的缺陷驗證方法、檢測方法及aoi設備 | |
| TW202117664A (zh) | 光學檢測二次圖像分類方法 | |
| TWI840006B (zh) | 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法 | |
| CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
| TW202407641A (zh) | 半導體芯片載板的缺陷驗證方法、檢測方法及aoi設備 | |
| CN113592859B (zh) | 一种基于深度学习的用于显示面板缺陷的分类方法 | |
| CN115797326A (zh) | 一种基于改进yolox-s算法的金属铸件表面缺陷检测方法 | |
| CN110992333B (zh) | COF Film缺陷AITraining数据库及应用 | |
| KR20210106038A (ko) | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 | |
| TWI742710B (zh) | 改良機器學習使用資料進行訓練的方法及系統 | |
| KR20230116537A (ko) | 딥러닝 기술 기반의 불량품 선별 시스템 및 방법 |