如何让您的半导体制造更上一层楼

来源:众壹云 发布日期:2021-10-28 11:48

晶圆缺陷检测

如何使用机器视觉和深度学习在半导体制造中获得竞争优势

对芯片的需求回升已严重压缩了全球的制造能力。任何使芯片制造过程更快、更高效、更便宜的东西都会带来竞争优势。

配备深度学习工具的复杂视觉系统越来越多地展示了在短时间内显着提高容量、改进对齐、可追溯性和缺陷检测的方法。

结盟

硅晶片是通过一系列步骤制造的,每一步都在前几层上放置另一层材料,这些层必须精确对齐。

晶圆缺口检测

通常通过检查凹口的方向来实现整体晶圆对准。传统方法体积大、速度慢,并且在处理越来越普遍的透明晶片时存在问题。

配备 PatMax 算法的康耐视 In-Sight 视觉系统适合狭小空间并可靠地检测任何方向的凹口。

晶圆和芯片对齐

晶圆对准不良会导致光刻、探测和测试以及切割过程中出现问题,从而导致缺陷和浪费。

Cognex 的 PatMax 几何图案查找算法以高精度和可重复性定位和对齐可变晶圆和芯片图案,从而提高质量和产量。

识别/可追溯性

为确保制造效率、衡量产品质量和打击假冒伪劣,晶圆、晶圆载体、引线框架、芯片、集成电路 (IC) 和印刷电路板 (PCB) 都带有机器可读的识别代码和人类可读的字母数字字符以进行跟踪.

这些代码在制造过程中可能难以读取或磨损,从而使光学字符读取 (OCR) 和解码变得困难且容易出错。

晶圆OCR

激光标记的字母数字或数据矩阵 ID 可跟踪硅晶片从创建到切割的整个过程。晶片表面是反射性的,在掩蔽、蚀刻和光刻过程中,代码可能会退化。

康耐视晶圆读取器对 OCR 和二维条码使用晶圆特定的检测算法。集成的自适应照明和图像处理可最大限度地减少无读取。

晶圆载环 OCR

由于晶片本身上的激光标记 ID 在切割后变得无法使用,因此晶片通过切割到引线键合由带有 ID 标记的承载环传送。切割后的清洁会降低载体环码,当代码被误读时会导致自动化速度减慢。

模糊的字母数字字符和载体环表面变化使传统机器视觉难以识别代码。配备康耐视深度学习 OCR 工具的智能相机甚至可以识别严重损坏的代码。

IC(集成电路)跟踪

IC 中的芯片被粘合到金属基板上,称为引线框架,用于连接和支撑。引线框架采用 2D Data Matrix 条码激光刻划。生产过程中的退化以及引线框架本身的低对比度和反射率使这些代码难以阅读。

康耐视基于图像的条码阅读器具有灵活的照明和光学元件,使用行业领先的算法来解码即使是具有挑战性的 2D Data Matrix 条码。

集成电路光学字符识别

封装测试后,每个芯片都印有字母数字代码,以便在芯片组装在 PCB 上时进行追溯和验证。这些代码可能会因环境层压和高度纹理化的表面而变形,从而降低可读性。

Cognex Deep Learning 的 OCR 工具易于训练,可以在反射和纹理背景下读取变形、倾斜和低对比度的代码,并且可以在新表面上快速重新训练。

cgnx_pdf下载半导体制造解决方案指南

缺陷检查

在生产过程的早期识别缺陷,同时通过纯粹的外观缺陷,通过最大限度地减少返工和手动检查来提高每片晶圆的良率。

晶圆缺陷检测

在沉积下一层之前,必须检查每一层晶圆。缺陷范围很大,可以出现在前几层背景的任何地方。

康耐视深度学习的缺陷检测工具在一组无缺陷层的图像上进行训练,然后可以发现和识别晶圆层中任何地方的缺陷并剔除异常。

探针标记

在芯片准备之前用于晶圆测试的探针会留下痕迹,其形状可以揭示探针是否对晶圆施加了不正确的压力,这是探针故障的早期迹象。

康耐视深度学习的分类工具可以区分各种好的和坏的标记,允许对探针进行早期校正,从而增加探针寿命和晶圆良率。

模边

晶圆管芯可能有缺口或沿其切口有毛刺。这些缺陷是可变的,很难用传统的机器视觉一致地检测到。

康耐视深度学习的分类工具可将碎屑和毛刺缺陷与各种正常切割痕迹区分开来。它还可以检测切割刀片的逐渐磨损,从而在错误率上升之前进行更换。

模具表面

每个芯片或芯片都可能有范围广泛的重大表面缺陷,但也有不影响功能的外观缺陷。传统的机器视觉和人工检查员都很难区分它们。

康耐视深度学习的缺陷检测工具检测和标记不可接受的异常,同时传递纯粹的外观缺陷。

引线键合

引线键合将芯片连接到引线框架,然后连接到其他组件。缺陷会干扰信号传输。缺陷范围很广,可以与不影响功能的外观缺陷重叠。

康耐视深度学习的缺陷检测和分类工具的组合可以提取异常区域,然后区分好坏的引线键合。

WLCSP (Wafer Level Chip Scale Package) 侧壁

晶圆级芯片规模封装是一种封装集成电路的方法,同时它仍然是晶圆的一部分。侧壁裂纹会降低性能,但层边界和裂纹可能很难相互区分。

康耐视深度学习的缺陷检测工具可准确区分侧壁裂纹和层边界。

IC(集成电路)成型

集成电路被封装在塑料中以保护它们。各种裂缝、变形和空隙可能会损害保护,但该过程可能会留下不影响功能的外观缺陷。

康耐视深度学习的缺陷检测工具检测功能异常,同时传递纯粹的外观缺陷。分类工具可用于识别特定缺陷类型以解决生产问题。

IC(集成电路)引线

芯片引脚缺失或弯曲会使芯片无法正常工作。广泛的引脚缺陷和位置挑战了传统的机器视觉。

康耐视深度学习的缺陷检测工具可快速检测异常并剔除具有引脚缺陷的芯片。

利用机器视觉提高半导体制造产量

康耐视机器视觉系统,尤其是配备康耐视深度学习工具时,可改善硅晶圆对准,实现晶圆和芯片的准确追踪,并在从晶圆到 PCB(印刷电路板)的每一步检测和分类各种缺陷。以最低的资本成本,在半导体供应链的每一步都可以看到改进。