在如今竞争激烈的半导体行业整个生产过程中，制造商都十分重视半导体缺陷检测问题。因为半导体芯片容错率极低，这就要求制造商们以更高质量来获得更多订单。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”。因为如果存在任何缺陷，即使是在外表层，也会使芯片成为废品。

机器视觉则可以有效且严格地监控质量和查找缺陷，以便及早发现问题。而康耐视的深度学习技术则可以帮助隔离制造过程中的各种困难缺陷问题，以便迅速采取纠正措施并记录结果，从而帮助企业提升质量增加产量。下面列举几种常见的半导体问题，看看是否有你需要的解决方案！

1.晶圆缺陷检验

常见问题

半导体晶圆包含多个层，而每一层都要执行一个复杂且精确的流程：沉积材料、涂抗蚀剂、光刻、蚀刻、离子注入，最后除去抗蚀剂。但在涂另一层前，必须先检测新蚀刻和注入的层是否有缺陷。因为晶圆层很可能会有划痕、旋转缺陷、曝光问题、颗粒污染、热点、晶圆边缘缺陷，以及影响芯片最终性能的各种其他缺陷。

缺陷范围非常大，且可能出现在晶圆上的任何地方。如涂层中的缺陷可以表现为不可预测的颜色变化，检测则须在之前沉积层的复杂背景下进行检测。而传统机器视觉一方面无法通过编程探测范围这么大的缺陷，甚至即使是探测编程的缺陷，多层背景也会使其变得不可靠。

如果在层沉积后未及时探测到缺陷，则此类缺陷只能在最终测试时探测到，这就浪费了宝贵的资源。更糟糕的是，最低水平的缺陷可能根本就检测不出来。即使它们通过了最终的电子测试，未探测到的缺陷也会降低使用可靠性，导致过早出现故障。

解决方案

通常人工检测只能在晶圆的一个统计子集上进行，速度极慢，还会导致额外的晶圆处理，引入新的污染源和损害来源。使用康耐视深度学习软件可在更大一部分晶圆上执行自动缺陷筛选。它还可用于两级检测系统，在该系统中，它可以识别出模糊的情况，并将这些情况发送到离线手动检测站进行进一步检查。

2.晶片表面的缺陷检验

常见问题

在集成电路制造过程中，必须对每个晶片进行检查，以检查其表面是否有裂纹、碎片、烧痕等这些会对晶片质量和性能产生负面影响的缺陷。但这些缺陷极具随机性，因此，基于规则的机器视觉要及时准确地找到它们很有挑战性。由于不影响芯片质量的正常畸变也会出现，最好避免花多余的时间标记这些小缺陷。但鉴于每天处理的芯片的大小和数量，人工检查既不高效也不实用。此外，人与人互动还会导致污染物进入无尘室。

解决方案

康耐视深度学习的缺陷检测工具可以发现晶片表面各种不可接受的外观缺陷，而这些对于基于规则的视觉检测系统来说十分复杂或耗时。该工具可以轻松检测晶片的表面是否有裂纹、碎片或烧痕。软件先通过各种图像进行训练，说明缺陷类型和位置的可变性。在确定了潜在区域后，深度学习分类工具就会对缺陷(如裂纹、碎片、尘斑等)进行分类。利用这些信息，用户可以进行工艺改进，以减少缺陷并提高产量。

3.集成电路成型的外观缺陷检测和分类

常见问题

集成电路产品的成功或失败取决于成型工艺的质量，它可以保护芯片免受外力和水分的伤害。裂缝、破损或空隙等缺陷可能在芯片成型时嵌入成型表面。人工检查往往会错过非常微小的裂缝或低对比度的空隙。而传统的基于规则的视觉系统难以用清晰的缺陷定义如：裂缝、锯齿状边缘和变形来检测故障区域，且无法有效地区分一个在公差范围内的小异常和一个表明芯片必须被扔掉的明显缺陷，这也阻碍了生产团队快速了解哪里存在潜在问题。

解决方案

康耐视深度学习工具帮助制造商识别和分类真正的模塑缺陷。这种先进的视觉解决方案使用一系列代表“合格”和“不合格”(NG)结果的图像进行训练，使软件能够忽略在公差范围内的异常情况，并标记出那些真正的重大缺陷。康耐视定位工具确定感兴趣区域(ROI)。一旦定义了ROI，缺陷检测工具就能识别该区域内的缺陷。然后分类工具对各种类型的缺陷进行分类。利用这些信息，生产商不仅可以提高成品IC的产量，还可以利用分类信息来解决生产问题，修复这些问题从而提高利润率。

4.集成电路引线外观检测

常见问题

半导体制造商必须重视其集成电路芯片上针脚的划伤、扭曲、弯曲或缺失等情况。芯片容错率很低，如果存在任何缺陷，即使是在最表层，也会使芯片成为废品。在整个半导体生产过程中，机器视觉用于严格地监控质量和查找缺陷。然而，因为可能出现的缺陷类型太多，所以使用规则式算法对检测进行编程是非常低效的。深度学习视觉软件无需使用大量的缺陷库即可帮助限制半导体缺陷并提高产量。

解决方案

康耐视深度学习为识别异常特征提供了一个简单的解决方案，甚至不需要使用“不合格”(NG) 图像进行训练。相反，工程师使用康耐视深度学习工具，从“合格”(OK)的集成电路引脚图像中学习。缺陷检测工具学习芯片引线和引脚的正常外观和位置，并将所有偏离的特征描述为有缺陷。这种机器视觉系统和深度学习软件的强大配对使半导体制造商能够实现更低的测试成本，并提高整体产品质量。