一、芯片生产及缺陷介绍
- 芯片制造流程
- 芯片生产包括芯片设计、制造、封装和检测四大环节，各环节环环相扣。芯片检测分为物理性检测和电性能检测，本文主要聚焦于半导体芯片的物理性缺陷检测，包括封装前的芯片表面缺陷检测和封装后的封装体缺陷检测。
- 芯片缺陷介绍
- 封装前芯片表面缺陷表现出类别多样、形态各异、背景复杂等特点，大致可划分为原材料不良、异物、划伤、Bump 元件缺陷、金属性污染物和蚀刻液脏污残留等，还包括蚀刻锈斑、电镀过多、异色和金属线损坏等小样本缺陷。
- 封装后的封装体缺陷包括印刷缺陷（错字、偏移、漏印、多印、模糊、倾斜、位移、断字、双层印和无字等）和引脚缺陷（引脚缺失、引脚破损和引脚弯曲等）。
二、芯片缺陷检测方法
- 机器视觉缺陷检测方法
特征提取结合分类器的方法存在主观性、局限性和复杂化问题，随着芯片愈加集成化和光刻工艺愈加复杂，传统苏州机器视觉技术难以有效提取缺陷特征。
- 戴敬等通过改进多重中值滤波算法等方法实现晶圆表面缺陷检测。
- SU 等通过超声波激发结合测振仪提取特征，采用遗传算法和 BP 神经网络进行分类识别。
- 陈凯提取集成电路芯片表面特征，输入基于改进萤火虫算法的支持向量机实现缺陷识别。
- 付纯鹤等提取芯片表面缺陷特征，通过反向传播神经网络学习，采用最近邻算法分类缺陷。
- 针对印刷缺陷，张静平提出动态缩小图像检测区域的加权模板匹配算法，FABIO 等结合多种算法对食品包装盒符号缺陷检测，对芯片封装体印刷缺陷检测有参考意义。
- 针对引脚缺陷，巢渊提取缺陷特征，提出基于混合算法和支持向量机分类缺陷；刘琛等提出基于方位环境特征的点模式匹配定位算法；陈文凤等设计基于 ARM - DSP 双核结构的集成芯片引脚缺陷自动检测系统；李本红等采用多种方法实现 SOP 芯片引脚缺陷自动检测；李绎铃提出基于模板匹配的引脚缺陷识别算法；金贺楠通过图像矩定位芯片并结合连通域分方法完善芯片引脚外观检测。
- 深度学习缺陷检测方法
- 根据对缺陷模式认知的不同，深度学习模型可划分为有监督学习、无监督学习和弱监督半监督等。
- 芯片表面缺陷检测：周小萌将 Alexnet 应用于 IC 芯片外观缺陷识别；李明结合卷积神经网络和类激活映射技术实现激光芯片缺陷分类识别和定位；DING 等改进 Faster R - CNN 用于 PCB 表面缺陷检测；周天宇等提出轻量级卷积神经网络算法用于载波芯片 COC 缺陷检测；CHEN 等将 GAN 与 YOLOv3 算法结合用于芯片晶粒表面缺陷检测；LIN 等提出 LEDNet 定位 LED 芯片缺陷区域；刘志提出 ATSSD 提升检测精度。
- 封装体缺陷检测：唐铭豆等通过连通区域定位字符，采用改进的 CNN 进行字符识别实现芯片印刷标识检测；郭晓峰等利用最小外接圆原理定位和校正图像，进行字符分割和差分识别；肖磊改进 AlexNet 用于压敏电阻外观缺陷识别。
- 无监督方法：有监督学习模型需要大量人工标记数据，而部分缺陷样本少易导致过拟合，无监督学习方法只需要正常无缺陷样本进行网络训练，受到关注。例如，CHANG 等提出基于自组织神经网络的晶圆自动检测系统；GHOSH 等提出基于 CNN 的有监督技术和两种基于深度图和引脚纹理的无监督技术；罗月童等提出基于卷积去噪自编码器的芯片表面弱缺陷检测方法；MEI 等提出利用不同高斯金字塔等级的卷积去噪自编码器网络重构图像进行缺陷检测。
- 其他方法
- 弱监督和半监督方法在表面缺陷检测中的应用相对较少，但仍具有参考价值。例如，MARINO 等采用基于 PRM 弱监督学习方法对马铃薯表面缺陷进行分类、定位和分割；ZHAO 等提出基于 GAN 的弱监督学习缺陷检测方法；YU 等提出多重训练的半监督学习方法用于钢表面缺陷分类。
- 还有其他方法，如万乃嘉设计基于领域自适应的芯片字符识别系统；饶永明等提出面向芯片表面符号的结构缺陷评估方法；主动红外热成像技术和空气耦合超声激励应用于缺陷检测。
三、芯片表面缺陷特性分析
- 缺陷与缺陷之间的互斥性
- 目标检测中同类或异类目标相互交叠常见，而表面缺陷之间相互交叠的情况不存在，在某一位置有且只有一个缺陷，缺陷检测应只有一个结果。
- 缺陷与缺陷之间存在重要性差异
- 通过对半导体芯片表面缺陷图像的统计分析发现，各类缺陷样本占比不同，意味着各类缺陷的发生概率不同，存在重要性差异，表面缺陷检测应考虑其差异性。
- 缺陷与周围环境存在关联性
- 芯片表面缺陷与周围环境相互作用，存在关联性。例如，多种缺陷均与 Bump 元件相关，在分类任务中，Bump 元件可帮助限定缺陷类别的范围；在定位任务中，Bump 元件的位置可辅助定位回归。
