← أحدث الأبحاث
💻 computer science

Cosmetic Defect Detection in Semiconductors Using Deep Learning

تقترح هذه الورقة إطار عمل للكشف عن عيوب المظهر في تغليف أشباه الموصلات يعتمد على التعلم العميق، يدمج بين بنية تحتية لإنترنت الأشياء الصناعي (IIoT) موزعة وتعزيز البيانات الاصطناعية، مما يثبت أن بنية YOLO11 تحقق أداءً فائقاً بدقة mAP@0.5 تبلغ 93.5% على مجموعة بيانات مختلطة من بيانات حقيقية واصطناعية.

المؤلفون الأصليون: Armando Montenegro Sanchez, Jesus Caro-Gutierrez, Felix Gonzalez-Navarro, Oscar Perez-Landeros, Jesus Armenta-Garcia, Mario Curiel-Alvarez

نُشر 2026-09-30
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Armando Montenegro Sanchez, Jesus Caro-Gutierrez, Felix Gonzalez-Navarro, Oscar Perez-Landeros, Jesus Armenta-Garcia, Mario Curiel-Alvarez

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم الإلكترونيات الحديثة غير المرئي، لا تكتسب رقائق السيليكون الصغيرة التي تشغل هواتفنا وسياراتنا ومستشفياتنا جودتها إلا من خلال عملية تغليفها النهائية. فبمجرد بناء الدوائر الدقيقة، يجب وضعها داخل غلاف واقٍ وتوصيلها بالعالم الخارجي عبر سلسلة من الوسادات المعدنية. وتعد هذه المرحلة النهائية بالغة الأهمية؛ إذ يمكن حتى لخدش مجهري أو ذرة غبار صغيرة على السطح أن تشير إلى وجود خلل في عملية التصنيع، مما قد يؤدي إلى الفشل لاحقاً. وعلى مدى عقود، اعتمد فحص هذه الأسطح على العيون البشرية أو الآلات الجامدة التي تجد صعوبة في رؤية العيوب الطفيفة وغير المنتظمة التي تهم الصناعة أكثر من غيرها. ومع صغر حجم الرقائق وزيادة تعقيدها، تتلاشى هامش الخطأ، مما يجعل الحاجة إلى طريقة أذكى وأكثر مرونة لفحص هذه الأسطح تحدياً ملحاً للصناعة.

لقد تصدى فريق من الباحثين في الجامعة المستقلة في باجا كاليفورنيا لهذه المشكلة من خلال بناء نظام يجمع بين الرؤية الحاسوبية المتقدمة وشبكة متصلة من المستشعرات. ويركز عملهم على "الجانب الخلفي" لتصنيع الرقائق، حيث يتم تغليف قوالب السيليكون الجاهزة. وقد أدرك الفريق أن الطرق التقليدية غالباً ما تغفل عن العيوب ذاتها التي تسبب أكبر المتاعب للعملاء: وهي العيوب التجميلية مثل الخدوش الدقيقة، والبقع، وتغير اللون. قد لا تمنع هذه العيوب الرقاقة من العمل فوراً، لكنها تشير إلى حدوث خطأ ما أثناء التجميع، مما يدفع كبار العملاء في مجالات مثل السيارات والفضاء إلى رفضها تماماً. ولحل هذه المشكلة، طور الباحثون إطار عمل آلي جديد يستخدم التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم التعرف على الأنماط من خلال دراسة آلاف الصور، تماماً كما يتعلم الإنسان تحديد الأشياء من خلال النظر إليها مراراً وتكراراً.

كان جوهر تحديهم هو نقص البيانات. ففي المصنع المثالي، تكون الرقائق المعيبة نادرة، مما يعني أن الباحثين لم يمتلكوا سوى أمثلة قليلة جداً للأشياء التي يحتاجون لتعليم الكمبيوتر كيفية إيجادها. وللتغلب على ذلك، ابتكروا حلاً ذكياً؛ حيث أخذوا صوراً حقيقية للرقائق واستخدموا أداة رقمية لقص عيوب حقيقية — مثل خدش حقيقي أو بقعة حقيقية — ثم لصقوها بعناً على أجزاء أخرى من صور الرقائق. وقاموا بتعديل الإضاءة واللون لهذه العيوب الملصقة بحيث تندمج بشكل طبيعي، مما خلق مئات الأمثلة التدريبية الجديدة والواقعية. وقد سمح لهم ذلك ببناء مكتبة متوازنة من الصور تظهر كل نوع من أنواع العيوب التي يريدون اكتشافها، مما يضمن ألا يتعلم الكمبيوتر تجاهل العيوب النادرة لمجرد أنه رأى الكثير من الرقائق المثالية.

بعد تجهيز بياناتهم، وضع الفريق ثلاثة أنواع مختلفة من بنيات الذكاء الاصطناعي قيد الاختبار لمعرفة أيها الأفضل في رصد هذه العيوب الدقيقة. كان أحد النهجين عبارة عن نظام ذي مرحلتين، يتوقع أولاً مكان وجود العيب ثم يفحصه بدقة. والآخر كان طريقة أحدث تبحث عن العيوب دون الاعتماد على صناديق محددة مسبقاً، والتي قد تفشل أحياناً في رصد الخدوش ذات الأشكال الغريبة. أما الثالث فكان نظاماً سريعاً ذا مرحلة واحدة، مصمماً لإيجاد وتحديد الأشياء في خطوة واحدة. وبعد تدريب هذه النماذج على مجموعة البيانات المخصصة، وجد الباحثون أن النظام ذي المرحلة الواحدة، المعروف باسم YOLO11، كان الأفضل أداءً. فقد نجح في تحديد العيوب بدرجة عالية من الدقة، حيث رصد الغالبية العظمى من الخدوش والبقع في مجموعة صور اختبارية. وحقق النظام درجة دقة تجاوزت التسعين بالمائة، مما يعني أنه عندما يشير إلى وجود عيب، فإنه يكون محقاً في معظم الأحيان.

ومع ذلك، فقد حرص الباحثون على الإشارة إلى أن هذا النجاح تم قياسه في ظروف مخبرية محددة. فقد تضمنت صور الاختبار صوراً حقيقية وأخرى اصطناعية، وكان التقسيم بين بيانات التدريب والاختبار عشوائياً وليس بناءً على دفعات فيزيائية منفصلة من الرقائق. وهذا يعني أنه بينما تعد النتائج واعدة، إلا أنه لم يثبت بعد قدرة النظام على العمل بشكل مثالي على كل رقاقة تخرج من خط إنتاج حقيقي. وتعد هذه الدراسة بمثابة إثبات قوي للمفهوم، حيث تظهر أن التعلم العميق يمكنه التعامل مع التعقيد البصري للأسطح المعدنية بشكل أفضل من الآلات القدية القائمة على القواعد. كما أظهر الفريق أن هذا النظام الذكي يمكن ربطه بشبكة مصنع، بحيث يرسل تنبيهات حول العيوب إلى لوحة تحكم في الوقت الفعلي، وهي خطوة حاسمة نحو دمج هذه التكنولوجيا في بيئات الإنتاج الفعلية.

في نهاية المطاف، يسلط هذا العمل الضوء على التحول في كيفية حدوث مراقبة الجودة في المستقبل. فمن خلال الجمع بين طريقة ذكية لتوليد بيانات التدريب وخوارزميات كشف قوية، أظهر الباحثون مساراً قابلاً للتطبيق لرصد العيوب التجميلية التي قد تخفى على العيون البشرية وتعجز الآلات القديمة عن إيجادها بشكل موثوق. وبينما لا يزال النظام بحاجة إلى مزيد من الاختبار في بيئة مصنع حقيقية لتأكيد سرعته وموثوقيته تحت ظروف الإنتاج المستمر، فإن النتائج تشير إلى أن عصر الاعتماد حصراً على الفحص اليدوي أو الآلات الجامدة القائمة على القواعد قد يقترب من نهايته. إن القدرة على اكتشاف هذه العيوب الطفية بدقة عالية توفر مستوى جديداً من الطمأنينة لمليارات الأجهزة التي تعتمد على سلامة نواتها المغلفة الصغيرة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →