Oberflächenprüfung von Halbleiterchips
Unregelmäßigkeiten erkennen, die negative Auswirkungen auf die Qualität und Leistung des Chips haben können
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Im Fertigungsprozess für integrierte Schaltkreise muss die Oberfläche jedes Chips auf Risse, Ausbrüche, Brandflecken usw. geprüft werden, da sich diese Unvollkommenheiten negativ auf die Qualität und Leistung des Chips auswirken können. Diese Mängel sind variabel und befinden sich an verschiedenen Stellen, daher ist es für regelbasierte Bildverarbeitung schwierig, sie rechtzeitig präzise zu lokalisieren. Da auch normale Abbildungsfehler auftreten, die keine Auswirkungen auf die Chipqualität haben, ist es wichtig, keine Zeit für die Erkennung dieser geringfügigen Defekte aufzuwenden. Angesichts der Größe und des Volumens der Chips, die tagtäglich verarbeitet werden, ist eine Prüfung durch den Menschen weder effizient noch praktisch. Darüber hinaus verringert sich durch weniger menschliche Interaktionen die Wahrscheinlichkeit, dass Verunreinigungen in den Reinraum gelangen.
Das Defekterkennungstool von Cognex Deep Learning kann viele unzulässige kosmetische Mängel auf den Chipoberflächen ausmachen, die für regelbasierte Bildverarbeitungssysteme zu komplex oder zeitaufwendig sind. Das Tool untersucht die Oberfläche des Chips, um jede Kombination von Rissen, Ausbrüchen oder Brandflecken zu finden. Die Software wird anhand verschiedener Bilder trainiert, welche die vielfältigen Arten und Positionen von Fehlern illustrieren. Nachdem es mögliche Zielbereiche erkannt hat, kategorisiert das Deep-Learning-Klassifizierungstool die Fehler (wie Risse, Ausbrüche, Staubflecken usw.). Mit diesen Informationen lassen sich Prozessverbesserungen durchführen, um weniger Fehler und höhere Erträge zu erzielen.