晶圓與晶粒檢測最佳化：高速、高精度視覺架構

• 晶圓表面檢測 以整個晶圓為檢測目標，著重製程中的宏觀瑕疵，例如污染、刮痕、圖樣錯位和結構完整性。視覺檢測系統必需具備大視野與高速掃描能力，才能涵括整個晶圓表面。

• 晶粒檢測 則是著重於個別晶粒的詳細分析，強調微觀尺度的瑕疵，例如邊緣崩裂、切割不良以及內部結構問題。

1. 高速即時影像處理中的 CPU 瓶頸問題：高晶圓與晶粒檢測需處理大量高解析度影像—通常為 25MP 或更高，且每個單位需要處理數十萬張影像。這些檢測必須在極短的時間內完成，尤其是晶粒檢測，需在 0.7 秒內完成。傳統的以 CPU 為基礎的系統經常無法負荷此處理需求，導致延遲、處理量受限，以及資料處理效率低落，進而拖慢開發與生產流程。

2. 缺乏具備彈性的演算法與低適應性：固定的演算法難以偵測出不規則或低對比的瑕疵，也難以處理如碳化矽 (SiC) 和氮化鎵 (GaN) 等，具有獨特反射特性的特殊材料。當晶粒的尺寸、材料或結構不同時，既有的演算法可能無法快速適應，進而降低偵測精確度並延長開發時間。

3. 微小瑕疵難以偵測：在先進封裝製程中，偵測微小的表面瑕疵 (例如微裂縫或污染) ，其挑戰與日俱增；當這些瑕疵尺寸逼近相機感光元件與光學鏡頭的解析度極限時，即使是細微誤差也可能導致檢測失誤，影響品質與良率。

4. 高反射率表面檢測的複雜性：反光表面 (例如晶圓、晶粒表面、金屬層) 很難使用標準光學方法進行檢測，往往會造成誤判或瑕疵遺漏。

支援下一代半導體檢測

若要完全發揮高效能影像感光元件技術的潛力，必須與高品質的相機製造商合作。選擇正確的高效能光學系統 (排除過度設計) 並進行測試也同樣重要。最後，有效整合前端影像擷取系統與強大的後端視覺處理架構，就能為下一代半導體檢測立下穩固的基礎。

AI 推理效能最佳化

AI 模型已獲廣泛採用，用以提升瑕疵偵測的精確度與速度；而接下來的挑戰，將是推論效能的提升，以獲取更快速、更穩定的結果，同時避免在無關的資料上浪費算力。透過使用智慧型相機和影像擷取卡在前端篩選資料，僅將相關影像區域或瑕疵特徵傳送到下游的 CPU 或 GPU，可進一步提升 AI 模型的效率。高光電效率相機擷取的高品質影像，也能提供 AI 更可靠的輸入資料，大幅降低誤判率。

模組化與可擴充的系統設計

下一代的先進封裝視覺檢測，必須具備更高的彈性和擴充性；本架構方法正可滿足這樣的需求。OEM 可以快速調整演算法模組，以因應不同階段 (前端晶圓、中段晶粒貼合、後端封裝) 的製程變更，部署不同的影像處理邏輯，無需改變核心系統。將高效能光學系統與智慧型預處理整合在一起，不僅能解決目前的挑戰，還能為未來的系統升級鋪路。

當代半導體製造領域的競爭日益激烈，提高良率，同時縮短產品上市時間，是關鍵的競爭優勢。我們的解決方案整合邊緣處理、光學系統最佳化和高品質影像，能夠克服晶圓和晶粒的基本 AOI 檢測挑戰。

將影像預處理作業轉移至相機和影像擷取卡，並搭配高光電效率的影像和特殊光源，我們能達成精確度和速度的完美平衡。這種整合不僅可增強微小瑕疵的偵測能力，也能提升整體系統效能，提供半導體製造商可靠、高效率且能滿足未來需求的 AOI 檢測基礎。