一、国产晶圆检测的市场机会

全球半导体检测和量测设备市场规模高速增长，根据 VSLI Research的统计，2016年至2020年全球半导体检测与量测设备市场规模的年均复合增长率为12.6%，其中2020年全球市场规模达到76.5亿美元，同比增长20.1%。

近五年，中国大陆半导体检测与量测设备的市场处于高速发展期。根据VSLI Research的统计，2016年至2020年中国大陆半导体检测与量测设备市场规模的年均复合增长率为31.6%，其中2020年中国大陆半导体检测与量测设备的市场规模为21.0亿美元，同比增长24.3%。

2016-2020 年中国大陆地区半导体检测和量测设备市场情况（单位：亿元）

同时，中国半导体检测与量测设备市场中，设备的国产化率较低，市场主要由几家垄断全球市场的国外企业占据主导地位，其中K公司在中国市场的占比仍然最高，领先于所有国内外检测和量测设备公司，并且得益于中国市场规模近年来的高速增长，根据VSLI Research的统计，K公司在中国大陆市场近5年的销售额复合增长率超过35.7%，显著高于其在全球约13.2%的复合增长率。

2020 年中国半导体检测和量测设备市场格局情况（单位：亿元）

另一家C公司晶圆AOI设备主要用于划片前的封装段、以及封装前的晶圆检测，业务包括56%的先进封装量测、20%的CMOS传感器检测、20%的常规2D检测应用，具备极强的市场竞争力，设备单值达到了80-100万美元/台。近年来，随着半导体市场的快速发展，尤其是中国在封测业务领域的高速增长，以及国内客户对于采购美国某些公司设备的顾虑，使得该公司的设备销售以及利润率持续保持了高增长，设备供不应求。

由于晶圆AOI设备的研发难度高、周期长、风险大，目前中国大陆仅有数家公司在开展高性能晶圆AOI设备的研发及销售业务。这些公司通过多年发展，相关设备也逐渐被市场认可；但在性能及稳定性方面，国产设备与国外知名公司仍有较大差距。

目前芯片封装段的外观检测以抽检为主，尤其是单值不高的芯片。但是对于单值高、质量管控严格的芯片，例如汽车控制芯片及电源芯片具有“零缺陷”要求，必须100%全检，对高性能晶圆AOI设备有强烈需求。随着中国半导体封测业务逐渐向中高端渗透，新能源汽车、5G、IoT、AI、大数据等应用领域的高性能芯片封装业务占比越来越多，将有越来越多的芯片产品要求全检，对高性能晶圆AOI检测设备的需求也将持续快速增长。

半导体设备属于高端设备，国际间的竞争一直存在。中国半导体产业中一些原材料、核心部件、高端设备还处于主要依赖进口的状态，这也导致目前整个半导体产业的发展存在很多薄弱环节甚至空白，国家希望通过不断提升半导体高端设备的国产化率，减轻整个行业对于国际市场的依存度。

二、晶圆检测的需求现状

随着集成电路产业技术水平的不断提升，5G通信技术、物联网、大数据、人工智能、视觉识别、自动驾驶等应用场景的快速兴起，加上电子产品都在追求小型化、高速化等趋势，通过先进封装技术提升芯片产品的集成密度和互联速度等需求愈发迫切。在这过程中，AOI检测是提升产品质量，提高产品良率的基础性检测设备。

由于先进封装制程对设备产能要求越来越高，而针对不同工艺段，传输的载体、承载的方式、光学的配置以及检测的方式都会不同，这就造就了晶圆AOI检测设备的多样性、客制化等特殊性。

 因此晶圆AOI检测系统的合理设计至关重要，当前晶圆AOI检测系统受到视场、分辨率以及算法处理速度的相互制约，所以视觉系统、整机集成、系统集成以及软件算法开发等都是晶圆AOI检测系统的核心技术，亦是重难点。

在晶圆AOI检测系统中，晶圆的传输方式、承载方式以及检测平台都需要精心设计。在先进封装行业，制造过程都是在超洁净车间进行，因此对晶圆AOI检测系统在材料选择、运控设计以及器件选型等方面等都有严格的要求，比如整个检测过程中都需要利用FFU过滤除尘系统对系统内部进行环境净化，设备也需要采取消除静电装置，对工件本身和产品做防静电处理。

镁伽全自动晶圆AOI设备展示

在集成电路先进封装的制程检测方向，晶圆AOI检测的应用主要包括：晶圆厂出货检测、封测厂来料检测、电测后检测、先进封装各工艺段缺陷检测、划片后崩边检测等。

晶圆厂出货检测、封测厂来料检测是指：晶圆厂在向客户出货前做检测或封测厂对客户来料做检测。使用AOI扫描，可以更有效地检测晶圆表面外观缺陷，避免将未知异常带入封测产线，影响封测厂正常产品生产和最终出货良率。

电测后检测是指：电性能测试之后，进行针印 (Probe Mark) 及焊盘 (Bond Pad)异常检测。可检测的异常包括：Bond Pad异常，即尺寸异常、Pad错位、Pad丢失等；Probe Mark异常，即Mark点数过多或为0 、Pad麻点、 Pad腐蚀、针痕距边、针痕面积超标等。

在先进封装各工艺段，晶圆AOI有诸多应用场景，比如在Bumping工艺段，可使用晶圆AOI设备进行PI保护层检测、PI开口尺寸量测、PR层检测、PR开口尺寸及胶厚量测、腐蚀后检验等。可有效检测异物、异色、划伤、残胶、PI/PR开口异常、bump刮伤、RDL电路异常（如桥接）、bump缺失、bump/die偏移等不良。

划片后崩边检测是指：从晶圆正面切割道上方拍摄图像，通过定位Seal Ring位置，划定Guard Line位置，识别Chipping边缘轮廓，再根据规则判定Chipping是否引起Die失效。

行业内，对于满足上述客户需求，主要需要提升的点在于：1）设备集成度，无尘车间的高洁净度需求，迫使客户对设备占地面积的要求是越来越小；2）光学技术，针对不同工艺段，需要对光学的波段和能量进行控制，增加对比度、荧光等方法也逐渐被中、前道晶圆AOI设备所引入；3）成本控制，半导体检测设备的国产化需求越来越强烈，成本控制也是封装检测设备当前阶段的重要目标；4）多样性和定制化，先进封装不同工艺段的检测内容和要求不一样，需要配置不同的模块来应对客户多样化的检测需求，因此衍生出不同的设备型号；5）设备精度，半导体制程的提升对晶圆AOI设备的成像分辨率提出了更高的要求，当前百纳米甚至更高精度的像素分辨率已逐步成为行业标准，在零漏检前提下减少误报已然成为检验设备与厂家技术成色的关键指标；6）设备速度，晶圆尺寸的成倍增加并不意味着检验时间能够成倍上升，换型等待时间也并不因为制程的提升、检测项的增加和精度要求的提升而显著延长。

三、MEGA AI^®如何做到的

镁伽科技（MEGAROBO）成立于2016年，是一家专注研发先进科学生产力工具的科技公司，从成立之初就专注于机器人自动化与人工智能（AI）技术的研发，将两大技术深度融合赋能生命科学、临床诊断、应用化学及先进制造等行业应用。

镁伽科技将发展半导体设备上升到公司战略层面，在核心技术及设备研发方面巨资投入，希望充分利用当前的国产替代窗口期，在半导体领域有所作为。镁伽科技立志于在全球范围内成为技术积累、产品研发和业务规模三方面都有影响力的企业，用技术和产品服务国内外的半导体行业客户。

研发投入占镁伽科技营收比例一半以上，建立起了一个三级技术体系，在底层增加对技术的投入，建立了专注人工智能技术的轩辕实验室，在多个分支机构中建立了先进视觉成像实验室；在中层加强平台的建设，已建设了InteVega AI视觉平台、MegaPlant AI算法平台、MegaFluent实验室自动化平台等一系列平台；在上层完善标准化的产品，在半导体、生命健康等领域有多款标准产品已推向市场。镁伽科技拥有千余名跨领域的人才团队，研发人员占比60%，坚持以自主研发和技术创新为驱动，已积累多项核心技术，截至当前累计申请专利超过600项，其中发明专利约60%。

当前镁伽科技在交付中心建立了万级和千级的净化车间，以支持半导体设备的研发调试和生产制造。镁伽科技还将有计划地扩建产能以支持交付。

镁伽科技已掌握亚微米级高精度运动控制、亚像素图像处理、高速实时信号处理、2D+3D+AI视觉等核心技术，结合自主研发的InteVega AI视觉平台、MegaPlant AI算法平台，形成了MEGA AI®技术品牌，在成本、交期、技术指标等方面为行业客户提供具备竞争力的智能自动化产品及解决方案。

镁伽InteVega AI视觉平台

AI技术的迅速发展给AOI检测行业带来了技术革新的契机。传统AOI检测与AI AOI辨识的差异在于是否可针对未知瑕疵进行判定，传统AOI检测设备只能以设定好的参数标准为基准进行判断，而AI算法同时在AI检测和缺陷分类上同步助力，在视觉检测流程中，深度融入AI分析算法技术辅助，有效降低过检率，同时基于复判彩色图像，融合视觉算法及AI多分类技术，多步骤进行缺陷分类筛选，提高缺陷分类准确性。

镁伽基于下一代高性能显微成像技术、实时跟随聚焦算法，在晶圆AOI领域实现了35mm大视场、200+FPS高帧率、高速飞拍的显微成像，可有效实现0.5μm的缺陷检测、0.1μm的关键尺寸量测。

实时聚焦成像技术展示

InteVega平台是以AI赋能的新一代机器视觉平台。立足“Vision Beyond AI”的愿景，根据数十年机器视觉行业项目经验总结，该平台基于数据流引擎和500多个自主研发的2D/3D视觉+AI算子，以流程图的方式搭建视觉流程，实现对生命科学和先进制造领域的机器视觉需求进行零代码开发。同时，InteVega还支持图像采集及特征分析、设备间通信、运动控制、生成界面软件等关键视觉开发功能。InteVega集数据标注、AI模型训练、模型调优为一体，可根据客户需求来自定义解决复杂缺陷的检测、分类、分割以及OCR等问题。

InteVega AI缺陷检测展示

面对晶圆缺陷检出的业界难题，镁伽基于InteVega平台的AI视觉融合缺陷解决方案，采用视觉金模板融合AI异常检测算法，仅需少量OK样本，即可有效实现缺陷的检出。面对晶圆缺陷类型复判难题，镁伽应用扩散模型数据生成算法，在模型内部融合原图的先验信息，有效解决换型时，缺陷样本收集困难的问题。除此之外，镁伽还应用自监督学习算法，挖掘数据自身的表征特性，构造辅助任务标签，从而降低缺陷样本数据的依赖性。

镁伽在解决晶圆AOI难题时的三个算法案例：

无监督异常检测算法：收集少量正常样本组成正常样本数据库，通过特征提取模型，对图像的每一块像素区域，都提取高维特征向量，然后对提取的特征向量进行聚类，组成特征向量库。通过计算待测试图像中提取的特征，与特征向量库中的距离，来判断是否存在异常。该算法利用了正常样本的特征向量聚类构建参考模型，使用距离特征簇中心的距离作为异常度量值，从而准确地检测出图像中的异常区域。

特征提取示意图，红框中的为异常特征

自监督学习算法：镁伽基于信息论的最大化思想，应用自监督学习算法，通过学习数据中的互信息来实现特征表示学习，从而提高下游任务的性能。该算法使用一个预训练的卷积神经网络将图像数据转换为特征向量，利用动态挖掘策略，构建一个无监督的对比损失函数，该函数能最大化最小化正负样本时间的互信息，在特定的数据集和模型结构上进行端到端的自监督学习，通过反向传播优化特征向量的表示。相比传统无监督算法，该算法利用了异常信息最大化的思想，可以有效为晶圆数据review提供特征支持。

特征聚焦示意图

AI数据生成算法：镁伽应用扩散模型数据生成算法，在模型内部融合原图的先验信息，有效解决换型时，缺陷样本收集困难的问题。该算法原理是通过将输入图像与一组高斯噪声相结合，然后逐渐将噪声添加到图像中，直到生成的图像与输入图像相同为止，显著提升了晶圆图案生成样本的质量与真实性，有效降低了对缺陷图案数据的依赖，缓解了AI算法对数据依赖难题。

异常数据生成示意图

四、结语

在MEGA AI^®的加持下，镁伽晶圆AOI在客户实际生产场景下取得了很好的效果，目前已实现了晶圆AOI设备批量出货和数千万订单。

在提升设备国产化的大背景下，镁伽科技坚持走技术自主创新的道路。目前，镁伽科技在半导体领域及泛半导体领域已经积累了众多标杆性客户。得益于在研发方面的大量投入，镁伽设备在技术密集型与局部领域先进性已得到客户的充分认可。镁伽半导体制造及测试设备在晶圆厂、封测厂得到广泛应用，也逐步向MEMS、第三代半导体等特殊制程领域延伸，这有利于镁伽科技拓展更多细分市场。

相信在AI技术加持下，国产晶圆检测设备的前景会越来越好，在更广的半导体设备领域也能快速突破技术瓶颈。