Cosmetic Defect Detection in Semiconductors Using Deep Learning
Dit artikel stelt een op deep learning gebaseerd framework voor de detectie van cosmetische defecten in halfgeleiderverpakkingen voor, dat een gedistribueerde IIoT-infrastructuur en synthetische data-augmentatie integreert, waarbij wordt aangetoond dat de YOLO11-architectuur superieure prestaties levert met een mAP@0.5 van 93,5% op een gemengde real-synthetische dataset.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de onzichtbare wereld van de moderne elektronica zijn de minuscule siliconen chips die onze telefoons, auto's en ziekenhuizen van stroom voorzien slechts zo goed als hun uiteindelijke verpakking. Zodra de delicate bedrading is gebouwd, moet deze worden ingekapseld in een beschermende schil en via een reeks metalen contactpunten met de buitenwereld worden verbonden. Deze laatste fase is cruciaal; zelfs een microscopisch krasje of een minuscuul stofje op het oppervlak kan duiden op een fout in het productieproces, wat later tot defecten kan leiden. Decennialang heeft het controleren van deze oppervlakken vertrouwd op menselijke ogen of rigide machines die moeite hebben om de subtiele, onregelmatige imperfecties te zien die er het meest toe doen. Naarmate chips kleiner en complexer worden, verdwijnt de foutmarge, waardoor de behoefte aan een slimmere, flexibelere manier om deze oppervlakken te inspecteren een dringende uitdaging wordt voor de industrie.
Een team onderzoekers aan de Autonome Universiteit van Baja California heeft dit probleem aangepakt door een systeem te bouwen dat geavanceerde computer vision combineert met een verbonden netwerk van sensoren. Hun werk richt zich op de "back-end" van de chipproductie, waar de voltooide siliconen dies worden verpakt. Het team realiseerde zich dat traditionele methoden vaak precies die defecten missen die de meeste problemen veroorzaken voor klanten: cosmetische imperfecties zoals microkrassen, vlekken en verkleuringen. Deze gebreken zorgen er misschien niet direct voor dat een chip niet meer werkt, maar ze geven aan dat er iets misging tijdens de assemblage, en hoogwaardige klanten in sectoren zoals de automotive en luchtvaart wijzen ze resoluut af. Om dit op te lossen, ontwikkelden de onderzoekers een nieuw geautomatiseerd framework dat gebruikmaakt van deep learning, een vorm van kunstmatige intelligentie die leert patronen te herkennen door duizenden afbeeldingen te bestuderen, net zoals een mens leert objecten te identificeren door er herhaaldelijk naar te kijken.
De kern van hun uitdaging was een gebrek aan data. In een perfect fabrieksproces zijn defecte chips zeldzaam, wat betekent dat de onderzoekers zeer weinig voorbeelden hadden van de zaken die ze juist de computer wilden leren vinden. Om dit te overwinnen, bedachten ze een slimme workaround. Ze namen echte afbeeldingen van de chips en gebruikten een digitale tool om werkelijke defecten — zoals een echte kras of een echte vlek — eruit te snijden en deze vervolgens zorgvuldig op andere delen van de chipafbeeldingen te plakken. Ze pasten de belichting en kleur van deze geplakte defecten aan zodat ze er natuurlijk uitzagen, waardoor honderden nieuwe, realistische trainingsvoorbeelden ontstonden. Dit stelde hen in staat om een gebalanceerde bibliotheek van afbeeldingen op te bouwen die elk type defect toont dat ze wilden detecteren, om er zeker van te zijn dat de computer de zeldzame defecten niet simpelweg zou negeren omdat hij te veel perfecte chips had gezien.
Met hun data gereed, onderwierp het team drie verschillende soorten architecturen voor kunstmatige intelligentie aan de test om te zien welke het beste was in het opsporen van deze minuscule gebreken. Eén benadering was een tweestapsysteem dat eerst raadt waar een defect zich mogelijk bevindt en het vervolgens nauwkeurig controleert. Een andere was een nieuwere methode die defecten zoekt zonder te vertrouwen op vooraf ingestelde kaders, wat soms grillig gevormde krassen kan missen. De derde was een snel, eenstapsysteem dat ontworpen is om objecten in één keer te vinden en te identificeren. Na het trainen van deze modellen op hun aangepaste dataset, ontdekten de onderzoekers dat het eenstapsysteem, bekend als YOLO11, het best presteerde. Het identificeerde defecten met een hoge mate van nauwkeurigheid en spoot het overgrote deel van de krassen en vlekken in een testset van afbeeldingen correct op. Het systeem behaalde een precisiescore van meer dan negentig procent, wat betekent dat wanneer het een defect signaleerde, het bijna altijd juist was.
De onderzoekers merkten echter voorzichtig op dat dit succes werd gemeten onder specifieke laboratoriumcondities. De testafbeeldingen bevatten zowel echte foto's als de synthetische afbeeldingen die zij zelf hadden gecreëerd, en de splitsing tussen de trainings- en testdata was willekeurig in plaats van gebaseerd op aparte fysieke batches van chips. Dit betekent dat hoewel de resultaten veelbelovend zijn, het systeem nog niet bewezen is perfect te werken op elke individuele chip die een echte fabriekslijn verlaat. De studie dient als een sterk bewijs van het concept, waarbij wordt aangetoond dat deep learning de visuele complexiteit van metalen oppervlakken beter kan afhandelen dan oudere, op regels gebaseerde machines. Het team demonstreerde ook dat dit slimme systeem verbonden kon worden met een fabrieknetwerk, waarbij meldingen over defecten in realtime naar een dashboard worden gestuurd, wat een cruciale stap is naar de integratie van dergelijke technologie in daadwerkelijke productieomgevingen.
Uiteindelijk benadrukt dit werk een verschuiving in hoe kwaliteitscontrole in de toekomst kan plaatsvinden. Door een slimme manier om trainingsdata te genereren te combineren met krachtige detectiealgoritmen, hebben de onderzoekers een levensvatbaar pad getoond naar het opsporen van cosmetische defecten die het menselijk oog mogelijk mist en die oudere machines niet betrouwbaar kunnen vinden. Hoewel het systeem nog verdere tests in een echte fabriekssetting nodig heeft om de snelheid en betrouwbaarheid onder continue productie te bevestigen, suggereren de resultaten dat het tijdperk van uitsluitend vertrouwen op handmatige inspectie of rigide, op regels gebaseerde machines ten einde loopt. Het vermogen om deze subtiele imperfecties met een hoge nauwkeurigheid te detecteren, biedt een nieuw niveau van zekerheid voor de miljarden apparaten die afhankelijk zijn van de integriteit van hun kleine, verpakte kernen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.