半导体制造流程深度解析：外观缺陷检测的AI化路径与实践

在芯片持续向高密度、微结构演进的今天，半导体制造流程变得前所未有地复杂。良率容错空间不断收窄，任何微小缺陷都有可能在后续放大为系统性风险。

缺陷检测因此从"终检工具"演变为贯穿全流程的质量反馈机制，尤其在晶粒制备、封装组装等中后段环节，检测的效率与精度直接影响良率控制与产线稳定性。

面对形态各异的外观瑕疵，传统人工和规则型 AOI 正面临误检高、适应性弱的局限。以深度学习为代表的 AI 视觉技术，正在成为实现高通量、高复杂度检测的新解法。

**但 AI 视觉究竟适合哪些工序？在哪些缺陷类型中具备优势？又该如何落地？**本文将从制造工艺出发逐一展开，并介绍森赛睿科技的系统化解决方案与真实应用成果。

在半导体制造流程中，缺陷并不是偶然发生的，而是与各道工序密切关联的"结构性副产物"。每一步热处理、切割、贴装或封装操作，都可能引发颗粒污染、破损、错位等外观问题。但并非所有缺陷都适合用 AI 视觉识别。

要想真正实现高效检测，至少要满足两个前提：

从技术适配性来看，具备"图像清晰 + 缺陷多样"的场景，才是 AI 模型最具价值的应用区域。

半导体制造大致可分为三段：

其中前道缺陷大多尺度极小，通常需要暗场/电子束等高端设备处理，不适合深度学习视觉模型介入。

而从晶圆切割开始，缺陷呈现出尺寸增大、图像特征明确、形态复杂等特点，更适合用 AI 模型训练与识别。

从晶圆切割起，外观缺陷逐步由微观失真演变为宏观瑕疵，正是 AI 视觉检测能力能够充分发挥作用的应用窗口。

相比传统 AOI 基于边缘、灰度、尺寸规则的判断方式，AI 视觉具备：

在晶粒、电感、电容等小型器件的高通量检测场景中，AI 模型不仅精度更高、误判更低，也更容易部署在柔性制造产线上。

面对晶粒、电感、电容等小尺寸器件在封装、贴装、筛选等环节的缺陷检测挑战，森赛睿基于对半导体制造流程的深度理解，构建了专为中后段应用打造的视觉 AI 生态链解决方案。

这是一套围绕"可视化缺陷识别 + 柔性产线适配 + 数据闭环管控"设计的系统架构，致力于提升封测阶段的自动化检测能力与良率控制水平。

核心架构包括四大模块：

这套系统广泛适配晶圆切割后晶粒筛选、封装后出厂检测、贴片前来料筛检等关键工艺，具备以下行业价值：

森赛睿围绕半导体工艺特性构建一体化质量控制系统，服务于良率与效率的双重提升。

森赛睿视觉 AI 生态链已在多家半导体制造企业中实现落地应用，覆盖晶圆切割后筛选、封装出厂检测等多个关键工艺环节。

以下为两个典型项目案例：

制造环节定位：中段制程 → 晶圆切割后 → WLCSP 封装前

检测目标：排查裸晶掉镀层、缺角、裂纹、污染等缺陷，提升封装良率

✅应用方案：

✅实施效果：

制造环节定位：封装后段 → 制冷芯片铜基板贴装 → 焊接前质检

检测目标：识别贴装位置偏差、表面划痕、阻焊不良等问题，防止器件热失效

✅应用方案：

✅实施效果：