Un sistema di controllo ottico automatizzato (AOI) basato su regole preimpostate e tecniche di elaborazione delle immagini convenzionali è in grado solitamente di eseguire verifiche rapidamente e correttamente. Tuttavia, a volte il sistema rileva anomalie nell'aspetto provocate da variazioni del processo che non influenzano le prestazioni dello stampo. Vengono etichettati come difettosi semplicemente perché non superano i criteri di rilevamento del sistema AOI.

Scartare regolarmente gli stampi con difetti accettabili può portare a sprechi significativi e inutili. Sempre più fonderie di wafer sono alla ricerca di modi per ridurre gli scarti in eccesso onde evitare sprechi e migliorare i rendimenti.

Un caso di studio sulla fonderia

Prendiamo un esempio da un caso di studio vero. Nel processo di produzione dei wafer, le crepe sono spesso considerate come difetti gravi che possono comportare una scarsa affidabilità del prodotto finale. Tuttavia, è possibile che siano presenti altre variazioni nell’aspetto che provochino il rilevamento di falsi positivi da parte dell’AOI nella stessa posizione. Prendendo ad esempio gli spillover, questi di solito non influiscono sulle prestazioni dello stampo e sono considerati difetti accettabili. Tuttavia, le crepe e gli spillover sembrano molto simili per colore o motivo, pertanto l'AOI tradizionale spesso confonde erroneamente lo spillover con le crepe a causa della mancanza di capacità di astrazione, provocando scarti in eccesso inaspettatamente elevati. Dopo una revisione, la percentuale di crepe vere e proprie può rappresentare solo il 10% dei difetti, mentre i falsi positivi accettabili possono raggiungere il 90%, comportando un numero incredibilmente elevato di scarti in eccesso.

La combinazione del sistema AOI con l’IA per evitare una classificazione erronea degli stampi

Quando l’AOI convenzionale basata su regole è sempre più incapace di distinguere i difetti reali dalle anomalie estetiche accettabili, sono necessari strumenti di intelligenza artificiale (IA) più versatili per rafforzare le capacità dell’AOI.
La principale differenza tra il controllo dell’IA e dell’AOI è che l’intelligenza artificiale non necessita la definizione di regole. Attraverso un’efficace etichettatura dei difetti e il deep learning, il computer può apprendere informazioni interconnesse da una miriade di caratteristiche variabili, consentendo al sistema di esprimere valutazioni precise.

In questo caso, le crepe e gli spillover dei motivi vengono prima etichettati e poi appresi separatamente. Durante il controllo di produzione automatizzato, l’AOI esegue controlli in varie regioni di interesse (ROI). I difetti rilevati dall’AOI possono includere sia crepe che spillover. Quindi, tramite l'inferenza dell'intelligenza artificiale per eseguire una classificazione precisa, lo spillover può essere riclassificato nella categoria dei "buoni prodotti" per evitare falsi positivi e conseguenti sprechi.

Combinando IA e AOI, Chroma 7945 risolve con successo questo problema di lunga data affrontato da molte fonderie di wafer. Questa soluzione raggiunge i seguenti obiettivi:

1. Tasso di falsi positivi significativamente ridotto dal 90% al 2%
2. Una soluzione unica per ridurre i falsi positivi dell’AOI, in grado di riclassificare gli sprechi con stampi che superano la verifica in tempo reale
3. La riclassificazione di stampi specifici consente di ridurre al minimo l'impatto sui tempi di elaborazione dell'IA

Il sistema di controllo per wafer in lavorazione Chroma 7945 implementa il deep learning dell'intelligenza artificiale per classificare con precisione i risultati del rilevamento AOI. Ciò risolve efficacemente il problema dell'incapacità dell'AOI di incorporare regole astratte e previene gli sprechi causati da una valutazione errata della variazione accettabile.

Per maggiori dettagli sui nostri prodotti e soluzioni, visitate il nostro sito web e lasciate la vostra richiesta e le informazioni di contatto. Saremo lieti di aiutarvi!