Cosmetic Defect Detection in Semiconductors Using Deep Learning
यह शोध पत्र सेमीकंडक्टर पैकेजिंग के लिए एक डीप लर्निंग-आधारित कॉस्मेटिक दोष पहचान ढांचे का प्रस्ताव करता है जो एक वितरित IIoT इंफ्रास्ट्रक्चर और सिंथेटिक डेटा ऑग्मेंटेशन को एकीकृत करता है, जो यह प्रदर्शित करता है कि YOLO11 आर्किटेक्चर एक मिश्रित वास्तविक-सिंथेटिक डेटासेट पर 93.5% mAP@0.5 के साथ उत्कृष्ट प्रदर्शन प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक इलेक्ट्रॉनिक्स की अदृश्य दुनिया में, हमारे फोन, कारों और अस्पतालों को शक्ति देने वाली छोटी सिलिकॉन चिप्स उतनी ही अच्छी होती हैं जितना कि उनकी अंतिम पैकेजिंग। एक बार जब नाजुक सर्किट बन जाता है, तो इसे एक सुरक्षात्मक आवरण में बंद किया जाना चाहिए और धातु के पैड्स की एक श्रृंखला के माध्यम से बाहरी दुनिया से जोड़ा जाना चाहिए। यह अंतिम चरण महत्वपूर्ण है; सतह पर एक सूक्ष्म खरोंच या धूल का एक छोटा सा कण भी विनिर्माण प्रक्रिया में दोष का संकेत दे सकता है, जिससे बाद में विफलता की संभावना बढ़ सकती है। दशकों से, इन सतहों की जांच मानव आंखों या उन कठोर मशीनों पर निर्भर रही है जो उन सूक्ष्म, अनियमित दोषों को देखने में संघर्ष करती हैं जो सबसे अधिक मायने रखते हैं। जैसे-जैसे चिप्स छोटी और अधिक जटिल होती जा रही हैं, त्रुटि की गुंजाइश समाप्त होती जा रही है, जिससे इन सतहों के निरीक्षण के लिए एक स्मार्ट, अधिक लचीले तरीके की आवश्यकता उद्योग के लिए एक गंभीर चुनौती बन गई है।
ऑटोनॉमस यूनिवर्सिटी ऑफ बाहा कैलिफोर्निया के शोधकर्ताओं की एक टीम ने उन्नत कंप्यूटर विजन को सेंसरों के एक जुड़े हुए नेटवर्क के साथ जोड़कर एक प्रणाली बनाकर इस समस्या का समाधान किया है। उनका काम चिप निर्माण के "बैक-एंड" पर केंद्रित है, जहाँ तैयार सिलिकॉन डाइज़ को पैक किया जाता है। टीम ने पहचाना कि पारंपरिक तरीके अक्सर उन्हीं दोषों को छोड़ देते हैं जो ग्राहकों के लिए सबसे अधिक परेशानी का कारण बनते हैं: कॉस्मेटिक खामियां जैसे सूक्ष्म खरोंच, धब्बे और रंग का बदलना। ये खामियां चिप के तुरंत काम करने को नहीं रोक सकतीं, लेकिन वे संकेत देती हैं कि असेंबली के दौरान कुछ गलत हुआ है, और ऑटोमोटिव और एयरोस्पेस जैसे क्षेत्रों के उच्च-स्तरीय ग्राहक इन्हें सीधे अस्वीकार कर देते हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक नया स्वचालित ढांचा विकसित किया है जो डीप लर्निंग का उपयोग करता है, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जो हजारों छवियों का अध्ययन करके पैटर्न पहचानना सीखता है, ठीक वैसे ही जैसे एक इंसान वस्तुओं को बार-बार देखकर उन्हें पहचानना सीखता है।
उनकी मुख्य चुनौती डेटा की कमी थी। एक आदर्श कारखाने में, दोषपूर्ण चिप्स दुर्लभ होते हैं, जिसका अर्थ है कि शोधकर्ताओं के पास उन चीजों के बहुत कम उदाहरण थे जिन्हें उन्हें कंप्यूटर को खोजने के लिए सिखाना था। इस बाधा को दूर करने के लिए, उन्होंने एक चतुर वर्कअराउंड बनाया। उन्होंने चिप्स की वास्तविक छवियां लीं और एक डिजिटल टूल का उपयोग करके वास्तविक दोषों—जैसे कि एक वास्तविक खरोंच या एक वास्तविक धब्बा—को बाहर निकाला और उन्हें सावधानीपूर्वक चिप की अन्य छवियों पर चिपका दिया। उन्होंने इन चिपकाए गए दोषों की रोशनी और रंग को इस तरह समायोजित किया कि वे स्वाभाविक रूप से मिल जाएं, जिससे सैकड़ों नए, यथार्थवादी प्रशिक्षण उदाहरण तैयार हुए। इसने उन्हें हर उस प्रकार के दोष को दिखाने वाली छवियों का एक संतुलित पुस्तकालय बनाने की अनुमति दी जिसे वे पहचानना चाहते थे, यह सुनिश्चित करते हुए कि कंप्यूटर केवल इसलिए दोषों को अनदेखा न कर दे क्योंकि उसने बहुत अधिक 'परफेक्ट' चिप्स देखे थे।
डेटा तैयार होने के बाद, टीम ने यह देखने के लिए तीन अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर का परीक्षण किया कि कौन सा इन सूक्ष्म दोषों को पकड़ने में सबसे अच्छा है। एक दृष्टिकोण एक दो-चरणीय प्रणाली थी जो पहले अनुमान लगाती है कि दोष कहाँ हो सकता है और फिर उसकी बारीकी से जांच करती है। दूसरा एक नया तरीका था जो पूर्व-निर्धारित बॉक्सों पर निर्भर हुए बिना दोषों की तलाश करता है, जो कभी-कभी अजीब आकार की खरोंचों को मिस कर सकते हैं। तीसरा, एक तेज़, सिंगल-स्टेज सिस्टम था जिसे एक ही बार में वस्तुओं को खोजने और पहचानने के लिए डिज़ाइन किया गया था। इन मॉडलों को अपने कस्टम डेटासेट पर प्रशिक्षित करने के बाद, शोधकर्ताओं ने पाया कि सिंगल-स्टेज सिस्टम, जिसे YOLO11 के रूप में जाना जाता है, सबसे अच्छा प्रदर्शन करता है। इसने उच्च सटीकता के साथ दोषों की सफलतापूर्वक पहचान की, छवियों के एक परीक्षण सेट में खरोंचों और धब्बों के विशाल बहुमत को सही ढंग से पहचाना। सिस्टम ने नब्बे प्रतिशत से अधिक का प्रिसिजन स्कोर प्राप्त किया, जिसका अर्थ है कि जब इसने किसी दोष को चिह्नित किया, तो वह लगभग हमेशा सही था।
हालाँकि, शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि यह सफलता विशिष्ट प्रयोगशाला स्थितियों के तहत मापी गई थी। परीक्षण छवियों में वास्तविक फोटो और उनके द्वारा बनाए गए सिंथेटिक दोनों शामिल थे, और प्रशिक्षण और परीक्षण डेटा के बीच का विभाजन रैंडम था न कि चिप्स के अलग भौतिक बैचों पर आधारित। इसका मतलब यह है कि हालांकि परिणाम उत्साहजनक हैं, लेकिन अभी तक यह सिद्ध नहीं हुआ है कि यह प्रणाली वास्तविक कारखाने की लाइन से निकलने वाली हर एक चिप पर पूरी तरह से काम करती है। यह अध्ययन एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो दिखाता है कि डीप लर्निंग नियम-आधारित पुरानी मशीनों की तुलना में धात्विक सतहों की दृश्य जटिलता को बेहतर ढंग से संभाल सकता है। टीम ने यह भी प्रदर्शित किया कि इस स्मार्ट सिस्टम को एक फैक्ट्री नेटवर्क से जोड़ा जा सकता है, जो वास्तविक समय में डैशबोर्ड पर दोषों के बारे में अलर्ट भेजता है, जो ऐसी तकनीक को वास्तविक उत्पादन वातावरण में एकीकृत करने की दिशा में एक महत्वपूर्ण कदम है।
अंततः, यह कार्य इस बात पर प्रकाश डालता है कि भविष्य में गुणवत्ता नियंत्रण कैसे हो सकता है। प्रशिक्षण डेटा उत्पन्न करने के स्मार्ट तरीके को शक्तिशाली डिटेक्शन एल्गोरिदम के साथ जोड़कर, शोधकर्ताओं ने दिखाया है कि उन कॉस्मेटिक दोषों को पकड़ने का एक व्यवहार्य मार्ग है जिन्हें मानवीय आंखें मिस कर सकती हैं और पुरानी मशीनें विश्वसनीय रूप से नहीं ढूंढ सकतीं। हालांकि इस प्रणाली को निरंतर उत्पादन के तहत अपनी गति और विश्वसनीयता की पुष्टि करने के लिए वास्तविक दुनिया के कारखाने में और अधिक परीक्षण की आवश्यकता है, लेकिन परिणाम बताते हैं कि केवल मैनुअल निरीक्षण या कठोर, नियम-आधारित मशीनों पर निर्भर रहने का युग समाप्त होने की ओर है। सूक्ष्म खामियों को उच्च सटीकता के साथ पहचानने की क्षमता उन अरबों उपकरणों के लिए आश्वासन का एक नया स्तर प्रदान करती है जो उनके छोटे, पैक किए गए कोर की अखंडता पर निर्भर करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।