如今机器视觉已经成为半导体制造中不可或缺的必要项。机器视觉能帮助企业减少大量人力支出，以低成本、高效率制造高密度集成电路。许多半导体制造商就通过康耐视机器视觉和深度学习技术，来确保在光罩和蚀刻过程中精确对准晶圆，以便在晶圆和晶片通过前后端工序时增加其可追溯性，并通过先进的检测步骤提高产品质量。

对位解决方案

半导体制造需要超高精度。多年来，晶片的密度一直在稳步上升。如今，半导体的特征尺寸为纳米级，这就要求在执行制造工艺（如光 刻、切割、引线接合和包装）时具有超高的精度和对准。康耐视对准解决方案通过使用行业领先的机器视觉工具，即使在不利条件下也能快速、精确地定位和对准图案和基准点，从而最大程度地提高产量、提高质量并降低成本。

适用范围和场景：晶圆切口检测、晶圆和晶片对位

识别/可追溯性解决方案

半导体行业的竞争非常激烈，这就要求制造商对设备质量和假冒伪劣产品实施更多的控制。集成电路芯片的可追溯性更要从制造层面开始。在过去，识别和可追溯性意味着晶圆字符识别，而有时是指IC封装DataMatrix码读取。这一领域的新趋势是在晶圆背面创建多个标记以及芯片规模的可追溯性。晶圆、晶圆载体、引线框架、晶片和成品封装都有识别码，必须在流程的每一步进行读取和验证。这是为了掌握回溯信息，以防问题进一步发生在下游;无论是在系统级PCB装配工厂还是在最终用户客户现场使用。根据不同的应用，康耐视机器视觉系统或深度学习光学字符识别工具可用于快速、准确地读取字母数字字符或条形码。

适用范围和场景：晶圆字符识别、晶圆载体环的可追溯性、集成电路封装的可追溯性、读取IC上的字符和代码

检查/分类解决方案

半导体行业的特点是非常高质量的标准与快速的新技术引进搭配。对于半导体制造商来说，衡量质量的最佳指标是“每片晶圆的成品率”。更高的成品率可以转化为更高的利润率。使用机器视觉和深度学习技术在流程的各个环节进行缺陷检验，有助于及早发现问 题。康耐视的深度学习技术可以帮助隔离制造过程中的缺陷原因，以便迅速采取纠正措施并记录结果。这可以同时忽略属于可接受 水平的自然变化。随着制造工艺的优化和缺陷的减少，产量也会增加。

适用范围和场景：晶圆缺陷检验、检查和分类探针标记、检测切割后的边缘裂纹和毛刺、晶片表面的缺陷检验、检查引线接合的缺陷、检测WLCSP侧壁上的微细破损、集成电路成型的外观缺陷检测和分类、集成电路引线外观检测