智慧應用 影音
科技產業報訂閱
event

矽品實現AI瑕疵檢測全自動化 下一步攻克製程虛擬量測

矽品自2018年導入AI晶圓瑕疵檢測應用,讓AOI設備變得「更聰明」。矽品

矽品精密自2018年啟動ADC(Automatic Defect Classification,自動瑕疵分類)計畫,將人工智慧(AI)落實於晶圓瑕疵檢測,透過全自動化不僅可縮減人力成本,更可大幅提高檢測效率。目前矽品每月生產的晶圓凸塊(wafer bumping)封裝,超過5萬片皆經過AI系統嚴格把關品質,不僅降低製造成本,也同時兼顧交期與品質。而接下來矽品更希望將AI持續深化,投入設備預測維護與製程虛擬量測等應用。

晶圓凸塊(wafer bumping)一種封裝技術,晶圓經過前段晶圓廠的加工,價值斐然,若晶圓凸塊製程過程稍有不慎,對客戶和公司本身都是極大損失。而在封裝製程中,每個製程的完善與否都影響著最終產品的品質。因此在許多高科技產業中,自動光學檢測(AOI)是相當典型用來進行品質檢測的工具。

 點擊圖片放大觀看

矽品技術開發處處長萬國輝。矽品

但過去矽品為達到最高的品檢品質而對AOI設備設立嚴苛的檢測標準,「寧可錯殺、不可漏放」,使得AOI設備變得相當「敏感」,過篩機率(over kill)高達100:1,也就是說,在被判斷疑似瑕疵的100次結果裡,僅有一次才是真正影響效能的True defect。由於現有AOI無法進一步判斷該瑕疵是否為真正的「True Defect」,因此最終仍須安排人力進行第二次複檢。

矽品每條生產線每天檢查超過50萬張晶圓圖像,如果沿用傳統人機並行模式,效果相當有限。因此如何在確保檢測零誤差的同時,又能減少人力與時間成本的消耗,也成為矽品的一大挑戰。

為此矽品自2018年起開始啟動自動瑕疵分類(Automatic Defect Classification;ADC)計畫,便是希望透過AI的導入,讓AOI設備變得「更聰明」,藉由機器自動辨識、分類瑕疵,最終大幅降低人力複判,這樣一來,產線上的工作人員可以從事具更高附加價值的工作。

而這項計畫延續至今,目前在矽品內部也已展現初步成果。負責此計畫的矽品技術開發處處長萬國輝表示,團隊在NVIDIA專家協助下,最終在9個月內成功建置AI系統,經過兩年多的持續推動下,現在AI系統一秒最少可篩檢20張晶圓圖像,同時藉由自動化更可減少原產線所需至少一半人力。萬國輝透露,截至2020年9月,矽品每月生產的晶圓凸塊中,已有超過5萬片皆通過AI系統的把關。

影像辨識是工業4.0目前在AI領域中相對已發展成熟的應用,在智慧製造市場中同時也是兵家必爭之地。但當初矽品不找市場上已成熟的AI解決方案,而是選擇自組AI團隊,與原本就是客戶的NVIDIA展開合作,萬國輝對此則表示,一來影像資料具機密性,二來矽品產品組合眾多,一旦受限於單一廠商的解決方案,礙於技術單一性,將會讓矽品處於被動位置。

不過萬國輝也分享,自組AI團隊更重要的意義在於,可培養自主開發AI以及後續維運的能力。影像辨識只是AI在工業4.0的起手式,隨著AI未來的應用範圍越來越廣,團隊如可自主掌握開發能力,將會對日後產生長遠效益。

像是接下來矽品將在內部持續深化AI應用,計畫將在製程端分別投入虛擬量測與設備預測保養等的應用。雖然設備預測診斷也為當前智慧製造相當成熟的應用,但萬國輝強調,較之瑕疵辨識,設備預測診斷需要蒐集更多全線設備資料,且需要更多Domain Knowledge的投入。目前矽品也已針對晶圓凸塊封裝建置失誤偵測與分類(FDC)的數據分析系統,抓取產線上每個設備感測資料,包括電流、電壓、馬達扭力等的參數資料。

除此之外,矽品正計畫攻克的另一項挑戰,則是製程虛擬量測。所謂虛擬量測,意即在產品尚未或無法進行實際量測時,利用機台與製程參數推估其生產品質,進行線上且即時的估測,藉此不斷在製程中反覆調整參數,直至最佳狀態。而最重要的關鍵則在於可達到全檢的效果,換言之,當能夠確保100%良率,自然不需要後續的瑕疵檢測。

但同時,虛擬量測也是一項相當具有挑戰性與難度的工程。首先是資料蒐集必須全自動化,包括量測資料,以及產線上的設備與各製程資料,且也必須納入更深入的Domain Knowledge,才可將製程與製程或製程與設備間的關聯性勾勒出來。萬國輝表示,相較晶圓瑕疵辨識,虛擬量測的技術難度會更高,但AI仍必須一步一步來,矽品以AI瑕疵辨識做為基本功,也盼能夠奠基在此基礎上持續深化AI實力。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 矽品 智慧製造 AI 影像辨識