Kosmetische Inspektion von integrierten Schaltkreisleitungen
Die Deep-Learning-Technologie kann dazu beitragen, ohne den Einsatz umfangreicher Fehlerbibliotheken Halbleiterdefekte zu verringern und den Ertrag zu verbessern.
Ähnliche Produkte
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Bildverarbeitung wird während des gesamten Halbleiterherstellungsprozesses zur Überwachung der Qualität und zur Erkennung von Fehlern eingesetzt. Hersteller müssen auf zerkratzte, verdrehte, verbogene oder fehlende Kontaktstifte achten. Ein Chip hat so geringe Fehlertoleranzen, dass jeder Fehler, selbst der oberflächlichste, einen Grund für die Zurückweisung darstellt. Bei so vielen möglichen Fehlertypen ist es nicht effizient, eine Prüfung in einen regelbasierten Algorithmus zu programmieren. Es ist zu kompliziert und zeitaufwendig, detailliert nach allen Fehlern zu suchen. Deep-Learning-Algorithmen können dazu beitragen, ohne den Einsatz umfangreicher Fehlerbibliotheken Halbleiterdefekte zu verringern und den Ertrag zu verbessern.
Cognex Deep Learning bietet eine einfache Lösung zur Erkennung aller anormalen Merkmale, auch ohne Training an „schlechten“ Bildern. Stattdessen verwendet ein Techniker das Defekterkennungstool, um die Software im unbeaufsichtigten Modus mit Hilfe eines Musters „guter“ Bilder zu schulen. Cognex Deep Learning erlernt das normale Aussehen und die Position der Leitungen und Kontakttifte eines Chips und markiert alle Merkmale, die davon fehlerhaft abweichen.
