
我们相信合格的产品是信誉的保证!
更新时间:2026-10-16
浏览次数:67晶圆在制造、搬运、研磨、清洗、涂胶、键合以及封装等环节中,都可能产生划痕、颗粒、裂纹、崩边、污染、残留和表面异常。如果等到后续工艺完成后再发现问题,不仅会增加检测成本,还可能造成整片晶圆继续进入后续流程。
机器视觉的价值并不只是“拍一张照片",而是通过稳定的成像条件,把原本难以判断的缺陷转化成可以测量和识别的图像信息。当前半导体视觉检测中,机器视觉既可以用于独立AOI设备,也可以直接集成到工艺设备附近,对晶圆状态、设备动作和工艺过程进行辅助监控。
因此,一个完整的晶圆视觉检测方案,不能简单理解成“选择一台高分辨率相机",而应该从缺陷本身开始设计。
视觉方案设计最容易出现的问题,是在没有明确缺陷特征之前就开始选相机。
实际上,不同缺陷对应完q全不同的成像方法。
例如晶圆表面划痕通常表现为细长结构,颗粒污染可能表现为亮点或暗点,崩边主要体现为轮廓变化,而裂纹则可能呈现细线状、弧状甚至低对比度特征。
因此,前期应该先建立缺陷样本库,把产品分成正常样品、明显不良样品以及临界样品。
建议至少记录以下信息:
| 检测项目 | 需要确认的内容 |
|---|---|
| 缺陷类型 | 划痕、颗粒、裂纹、崩边、污染等 |
| 缺陷尺寸 | 最小需要识别的长度、宽度、面积 |
| 检测区域 | 整片晶圆、边缘、局部区域 |
| 表面状态 | 镜面、粗糙面、透明层、多层结构 |
| 工件状态 | 静止、旋转、移动 |
| 检测节拍 | 单片检测时间 |
| 判定方式 | 有无检测、尺寸检测、分类检测 |
| 输出结果 | OK/NG、缺陷坐标、缺陷面积等 |
只有把这些条件确定下来,后面的光学系统才有明确方向。
在很多视觉项目中,检测效果不理想时,第一反应是增加相机分辨率。
但对于晶圆这种高反射、低对比度的检测对象,光源设计往往直接决定缺陷能否被看见。
机器视觉成像的核心是让目标缺陷与正常背景之间形成稳定的灰度或颜色差异。光源的位置、入射角、方向、均匀性以及波长都会影响最终图像。
对于划痕、微小颗粒以及表面纹理异常,可以考虑低角度暗场照明。
正常晶圆表面在特定角度下保持相对均匀,而划痕、颗粒等结构会改变光线传播方向,使缺陷区域形成明显亮点或亮线。
这种方式特别适合发现原本与背景反差较小的表面异常。
如果晶圆表面较为平整并且存在明显镜面反射,可以考虑同轴照明。
同轴光通过较为统一的入射方向照射检测区域,有助于降低部分不规则反光带来的影响,适合观察平面区域的纹理、字符以及局部表面变化。
如果重点是晶圆外形、边缘缺口、崩边或者尺寸轮廓,可以让晶圆位于相机和背光之间。
此时相机主要获取晶圆形成的轮廓,而不是依赖表面纹理。
对于尺寸和边缘类检测,这种方式通常比直接照射晶圆表面更容易获得稳定的几何信息。
相机选择需要同时考虑视野和空间分辨率。
例如需要检测300 mm晶圆,同时要求发现几十微米甚至更小的缺陷,就不能只看相机的总像素数量。
一个简单的思路是:
空间分辨率 = 检测视野 ÷ 图像像素数量
如果希望一个最小缺陷至少覆盖数个像素,那么实际所需分辨率还需要结合缺陷形态、对比度、镜头MTF以及算法要求进一步确定。
对于静止晶圆,可以优先评估面阵相机。
如果晶圆、载台或检测机构持续运动,并且需要连续扫描较大区域,则可以考虑线阵相机或TDI等高速成像方式。实际半导体检测项目中,高速线阵/TDI方案可以配合移动机构完成大面积晶圆图像采集。
因此,不能简单地认为“像素越高越好"。
真正需要考虑的是:
视野是否足够?
最小缺陷是否能够获得足够像素?
检测速度是否满足节拍?
曝光时间是否能够冻结运动?
数据传输是否能够承受连续图像?
这些因素共同决定相机型号。
相机确定后,还需要根据工作距离、视野和安装空间选择镜头。
晶圆视觉检测通常对成像一致性要求较高,因此不能只关注焦距。
需要重点检查:
镜头覆盖范围是否满足传感器尺寸;
边缘区域是否存在明显畸变;
整个晶圆区域是否能够保持足够清晰度;
工作距离是否适合设备机械结构;
镜头与光源之间是否存在遮挡;
安装后是否方便调焦和维护。
对于整片晶圆检测,还需要特别关注画面中心与边缘的成像差异。
如果项目采用多相机拼接方式,则还需要进一步考虑视野重叠、机械位置误差以及后续图像拼接。
晶圆检测中一个非常典型的问题就是“把反光当成缺陷"。
晶圆表面具有较强反射特性,同一块晶圆只要位置、角度或者光源状态发生变化,图像中的高亮区域就可能发生变化。
因此,视觉系统不能只拿一张NG图片与OK图片进行简单比较。
可以采用改变照明方向、控制光源角度、使用漫射照明、优化遮光结构等方式降低环境光影响。
必要时还可以采用不同照明方式分别采集图像,再进行图像融合。
实际机器视觉项目中,光源设计通常应该在样品测试阶段完成,而不是等设备最终安装后才处理。
并不是所有半导体视觉检测都需要AI。
如果缺陷具有比较明确的灰度、尺寸和几何特征,可以先使用传统机器视觉算法。
例如:
灰度分割用于提取明显异常区域;
Blob分析用于计算缺陷面积和数量;
边缘检测用于分析晶圆轮廓;
形态学处理用于过滤噪声;
模板匹配用于定位固定结构;
尺寸测量用于判断边缘缺口和几何偏差。
当缺陷形态复杂、背景变化明显,或者需要进行多种缺陷分类时,再考虑机器学习或深度学习。
这样做的好处是能够根据实际项目难度选择合适的算法,而不是为了使用AI而使用AI。
如果采用AI检测,最大的工作通常不是选择算法,而是建立可靠的数据集。
需要准备:
正常晶圆图片;
不同程度的缺陷图片;
不同位置的缺陷图片;
临界缺陷图片;
不同批次样品;
不同光照条件下的图片。
特别需要注意的是,AI训练数据不能只包含“非常明显的NG"。
如果生产现场大量出现的是轻微划痕、弱对比度颗粒和边缘异常,那么训练数据中也必须包含这些临界状态。
对于需要根据缺陷尺寸进行处理的项目,可以进一步采用像素级分割,通过缺陷区域面积、长度、宽度等信息辅助最终判定。
半导体晶圆AI在线检测已经出现将图像采集、实时推理、缺陷分类以及报警联动整合在一起的方案。
真正用于生产线的视觉系统,还需要考虑通信和设备联动。
典型流程可以设计成:
晶圆进入检测位置 → 传感器触发 → 光源开启 → 相机曝光 → 图像采集 → 图像处理 → 缺陷分析 → 输出OK/NG → 发送PLC → 执行后续动作。
如果发现异常,可以输出:
缺陷类型;
缺陷位置;
缺陷数量;
缺陷面积;
报警信号;
原始图像。
这样视觉系统就不再只是一个“拍照设备",而成为生产设备中的一个检测节点。
一个比较完整的晶圆视觉检测系统,可以按照以下结构进行设计:
| 系统模块 | 主要作用 |
|---|---|
| 被测晶圆 | 提供实际检测对象 |
| LED光源 | 建立缺陷与背景之间的对比 |
| 工业镜头 | 完成目标区域成像 |
| 工业相机 | 获取高质量图像 |
| 采集/通信模块 | 传输图像数据 |
| 工业计算机 | 完成图像处理与AI推理 |
| 视觉软件 | 执行检测算法 |
| PLC | 完成设备控制 |
| 光源控制器 | 调节亮度和触发时序 |
| 数据系统 | 保存检测结果和缺陷图片 |
其中最关键的一点是:不要把相机、镜头、光源和算法分别选择。
它们实际上是一个完整的成像链路。
如果现在要实际搭建一套晶圆视觉检测系统,可以按照这个顺序推进:
先拿到真实OK和NG样品。
然后明确最小缺陷尺寸。
接着确定检测视野和工作距离。
再针对缺陷分别测试明场、暗场、背光、同轴等照明方式。
在获得稳定图像后,再确定相机分辨率和镜头。
最后才进入算法开发、设备通信和量产验证。
这个顺序可以减少大量反复选型。
因为视觉系统真正需要解决的问题并不是“买一台什么相机",而是如何让目标缺陷在生产环境中稳定地被成像、识别和判定。
对于晶圆颗粒、划痕、裂纹、崩边以及表面异常等检测项目,视觉方案还可以进一步结合可见光、近红外或短波红外成像。当可见光无法提供足够对比度时,近红外/SWIR也可以用于部分晶圆内部或材料相关特征的观察。
后续实际选型时,建议以真实缺陷样品进行打光和成像测试,再确定最终的相机、镜头、光源及软件组合。

扫码添加微信
© 2026 深圳昌行企业管理有限公司(www.luceo.com.cn) 版权所有
技术支持:化工仪器网 管理登陆 sitemap.xml