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）

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。