傳統AOI基於特定規則及影像處理的手法，通常可以成功且快速地判定符合規則的良品與不良品。但在生產實務上，各種製程變異所造成的外觀異常有些並不影響其性能表現，只是因為符合AOI所設定的檢出規則被判為不良品(NG)。這些可接受的外觀不良品被丟棄造成嚴重的成本浪費，如何改善這些誤判來避免浪費變成了一項迫切的課題。

實際案例 - 晶圓代工廠

某晶圓廠在晶粒製造過程中，裂紋(crack)屬嚴重缺陷的不良品，內部圖案溢出(spillover)屬可接受的外觀異常，但裂紋與圖案溢出兩者在顏色或面積上非常接近，傳統AOI常因缺乏抽象的描述而導致同時抓出裂紋，也連帶將圖案溢出判為不良(NG)，造成與期望不符的誤判(overkill)。在經過檢視後，實際裂紋比例可能只佔缺陷的10%，但可接受的外觀變異卻高達90%，造成誤判數量遠高於期望抓出的缺陷。

結合AI功能，解決晶圓誤判

結合AI功能，透過缺陷標記(labeling)與深度學習(Deep Learning)，即可從千變萬化的特徵值中學習到彼此間關聯的資訊，進而做出正確的判斷。
在此案例中，先將裂紋與圖案溢出分別做標記與學習。自動化生產檢測時，由AOI進行各檢測區域(ROI, Region of Interest)檢測，AOI檢出缺陷中可能包含裂紋與圖案溢出，再透過AI推論(inference)精準分類後，可將圖案溢出缺陷改判為良品來避免誤判。

Chroma 7945透過結合AI功能，解決了該晶圓代工廠苦惱已久的誤判問題，成功達成了以下幾項目標：

1. 大幅降低overkill比率，從90%下降至2%
2. 一站式解決誤判問題，可即時改判誤判晶粒成為良品
3. AI可針對特定AOI缺陷進行複判，減少AI運算時間的衝擊

Chroma 7945 製程中晶圓外觀檢查系統導入AI深度學習，將AOI檢出結果再作精準分類，可以有效解決AOI難以描述抽象規則的問題以及避免誤判可接受的外觀變異。詳細產品方案可連結到Chroma網站，並留下您的需求與聯絡方式，我們將竭誠的為您服務！