传统AOI基于特定规则及图像处理的手法，通常可以成功且快速地判定符合规则的良品与不良品。但在生产实务上，各种制程变异所造成的外观异常有些并不影响其性能表现，只是因为符合AOI所设定的检出规则被判为不良品(NG)。这些可接受的外观不良品被丢弃造成严重的成本浪费，如何改善这些误判来避免浪费变成了一项迫切的课题。

实际案例 - 晶圆代工厂

某晶圆厂在晶粒制造过程中，裂纹(crack)属严重缺陷的不良品，内部图案溢出(spillover)属可接受的外观异常，但裂纹与图案溢出两者在颜色或面积上非常接近，传统AOI常因缺乏抽象的描述而导致同时抓出裂纹，也连带将图案溢出判为不良(NG)，造成与期望不符的误判(overkill)。在经过检视后，实际裂纹比例可能只占缺陷的10%，但可接受的外观变异却高达90%，造成误判数量远高于期望抓出的缺陷。

结合AI功能，解决晶圆误判

结合AI功能，透过缺陷标记(labeling)与深度学习(Deep Learning)，即可从千变万化的特征值中学习到彼此间关联的信息，进而做出正确的判断。
在此案例中，先将裂纹与图案溢出分别做标记与学习。自动化生产检测时，由AOI进行各检测区域(ROI, Region of Interest)检测，AOI检出缺陷中可能包含裂纹与图案溢出，再透过AI推论(inference)精准分类后，可将图案溢出缺陷改判为良品来避免误判。

Chroma 7945透过结合AI功能，解决了该晶圆代工厂苦恼已久的误判问题，成功达成了以下几项目标：

1. 大幅降低overkill比率，从90%下降至2%
2. 一站式解决误判问题，可实时改判误判晶粒成为良品
3. AI可针对特定AOI缺陷进行复判，减少AI运算时间的冲击

Chroma 7945 制程中晶圆外观检查系统导入AI深度学习，将AOI检出结果再作精准分类，可以有效解决AOI难以描述抽象规则的问题以及避免误判可接受的外观变异。详细产品方案可链接到Chroma网站，并留下您的需求与联络方式，我们将竭诚的为您服务！