PRÜFUNG UND KLASSIFIZIERUNG VON SONDENMARKIERUNGEN
Die Deep-Learning-Technologie hilft bei der Identifizierung und Klassifizierung sehr unterschiedlicher Kontaktspuren, um die Effizienz der Waferprüfung zu erhöhen und den Chip-Ertrag zu steigern.
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Bevor ein Wafer zur Chip-Vorbereitung gesendet wird, werden alle integrierten Schaltkreise einzeln auf Durchgang und funktionelle Fehler geprüft. Für diesen Prozess wird eine Prüfkarte mit Dutzenden mikroskopisch kleinen elektrischen Kontakten verwendet. Jeder Prüfkontakt hinterlässt eine kleine Spur auf jedem Chip. Diese Kontaktspur sollte sich in der Mitte des Chips befinden und zeigen, dass der Prüfkontakt den richtigen Druck ausgeübt hat.
Die Kontaktspur ist ein Indikator für die korrekte Proberleistung. Funktioniert der Prober gut, ist die Form der Kontaktspur in Ordnung. Funktioniert der Prober nicht gut, ist die Form der Kontaktspur nicht in Ordnung (NOK). Wenn der Prüfkontakt beispielsweise zu viel Druck ausübt, kann er mit der Zeit beschädigt werden und führt keine annehmbare elektrische Kontrolle mehr durch.
Prüfkontakte sind teuer, daher ist die Beibehaltung des richtigen Drucks zur Erhaltung ihrer Einsatzfähigkeit wichtig. Aufgrund der vielen unterschiedlichen Formen, Größen und Stellen der Spuren ist der Einsatz traditioneller regelbasierter Bildverarbeitung zur Erkennung und Klassifizierung von OK- und NOK-Kontaktspuren schwierig. Ungleichmäßige oder falsche NOK-Ergebnisse können sich negativ auf den Ertrag und die Chipqualität auswirken.
Cognex Deep-Learning-Tools machen die Prüfung von Kontaktspuren einfacher und weniger zeitaufwendig, indem sie zur Überprüfung des Unterschieds zwischen OK- und NOK-Kontaktspuren beitragen. Die Software wird anhand vielfältigster Bilder mit korrekten Kontaktspuren und solchen mit nicht zulässigen Kontaktspuren trainiert. Diese unzulässigen Kontaktspuren können dann als „druckbedingt“ oder „außermittig“ klassifiziert werden.
Bedienpersonal kann anhand dieser Informationen den Prüfkontaktdruck oder die Ausrichtung anpassen, um die Anzahl der zulässigen Kontaktspuren zu erhöhen und die Sonde in gutem Zustand zu halten. Der Einsatz von Deep-Learning-Prüfungen an Kontaktspuren kann die Chip-Erträge eines Wafers im Vergleich zu anderen Methoden erhöhen, welche OK-Kontaktspuren fälschlicherweise als unzulässig oder NOK-Kontaktspuren als zulässig darstellen.
