快速提高晶圆成品率-电子发烧友网

随着显示终端产品向小型化、轻量化、智能化、立体化发展，高画质和低功耗成为消费者共同追求的目标，Mini LED/Micro LED凭借高解析度、高亮度、高对比度、高色彩饱和度、低功耗、反应速度快、厚度薄、寿命长等诸多优势，被认为是最具潜力的新型显示技术。其产品需求及市场规模也在不断扩大。

但LED行业的质量标准要求非常高且技术难点多，业内通常用“每种晶圆的成品率”来评估制造商的质量技术指标。而更高的成品率也意味着更高的利润率。因此，若在生产流程的各个节点，使用机器视觉和基于人工智能(AI)的技术进行缺陷检测，将有助于及早发现问题减少损耗。

康耐视基于AI的技术可帮助制造商在制造过程中识别缺陷原因，从而快速采取纠正措施，并记录结果。该技术可以标记真正的缺陷，并忽略可接受水平范围内的自然变化，并具有以下优点：

•减少与额外的人工检测和取样相关的成本和时间

•快速、准确地检测和识别具有高度变化性的缺陷

•根据缺陷信息采取纠正措施，提高Mini LED晶圆成品率

•提高利润率

下面介绍几则详细的检测/分类解决方案，帮助应对Mini LED制造流程中的各类挑战，有效提升晶圆成品率！

探针标记检测和分类

基于人工智能(AI)的技术帮助准确识别和分类，具有高度变化性的探针标记以提高晶圆测试效率，提升晶粒成品率

挑战

LED和Mini LED晶粒是通过将光刻工艺应用于由半导体材料制成的超薄晶圆制成的。当此工艺完成后，探针将检查每个晶粒，以确保电气连续性。如果探针施加过大的压力，随着时间的推移，将会导致探针损坏，并使晶粒质量下降。探针价格昂贵，因此维持正确的压力对于确保其使用寿命非常重要。

并且由于探针标记的形状、大小和位置存在许多差异，因此使用基于规则的传统机器视觉检测和分类“合格”与“不合格”标记较为困难。不一致或误报的“不合格”读数将会对成品率和芯片质量产生负面影响。

解决方案

康耐视基于人工智能(AI)的软件可帮助验证“合格”探针标记与“不合格”探针标记之间的差异，使探针测试变得更容易，并且更省时。用户可使用一系列显示正确探针标记和不可接受的探针标记图像对该软件进行训练，并可根据“压力相关”、“偏离中心位置”等不同性质对不可接受的标记进行分类。操作员可以使用此这些信息调整探针压力或对位方式，以增加可接受的探针标记数量，并使探针保持良好的工作状态。

相比与其他方法，使用基于人工智能(AI)的软件对探针标记进行检测可以提高晶圆的晶粒成品率，而其他方法可能会将合格标记错误地表征为不可接受的标记，或者将不合格标记错误地表征为可接受的标记。

使用自动化光学检测解决方案检测LED晶粒

自动识别和分类LED晶粒上的表面缺陷，以提高成品率和利润率

挑战

在晶圆上创建LED晶粒后，制造商必须检测晶粒是否存在表面缺陷，如裂纹、缺口、黑斑等，这些缺陷会对LED的质量和性能产生负面影响。由于这些类型的缺陷各不相同，并且可能发生在不同的位置，因此使用基于规则的传统机器视觉对于高速检测应用而言并不具有可行性。此外，有些缺陷并不影响LED晶粒质量的正常变化，因此检测系统必须忽略这些微小缺陷。鉴于每天处理的LED晶粒的微小尺寸和庞大数量，人工检测不仅效率低下，且可行性也低。

解决方案

康耐视基于人工智能(AI)的视觉系统和软件可帮助制造商识别和分类真正的LED晶粒缺陷。用户可以使用一系列代表合格和不合格(NG)结果的图像对这种先进的视觉解决方案进行训练，以便该软件仅标记显著缺陷。定位工具将首先识别感兴趣区域(ROI)。在明确感兴趣区域(ROI)后，缺陷检测工具将识别该区域内的缺陷。然后，分类工具将对缺陷进行分类。通过有效利用这些信息，生产管理人员不仅可以提高LED产品的成品率，还可以使用分类信息解决和修复生产问题，从而提高利润率。

邦定后晶粒质量检测

使用基于人工智能(AI)的技术识别Mini LED邦定过程中的缺陷，以提高产品质量，并降低人工检测成本

挑战

在生产OLED或Mini LED显示屏面板时，机器将以阵列形式将LED直接邦定到面板基板上。机器将多个基板(区域)同时进行电气连接，以形成一个大型显示面板。为实现一致的质量，必须对邦定到面板的每个晶粒进行高速检测。必须确保用于将Mini LED晶粒连接到面板上接触焊盘的焊料分配量在可接受的范围内，或者检查LED是否缺失或接触焊盘之间是否未正确对位。这些异常可能会在LED点亮后对显示器的质量产生负面影响，或者随着时间的推移导致屏幕性能下降。用于将 LED连接到接触焊盘的焊料球的尺寸和体积可能会有所不同，这使得传统机器视觉工具在执行该检测时面临挑战。

解决方案

康耐视基于人工智能(AI)的工具可帮助Mini LED屏幕生产商显著减少与邦定工艺相关的缺陷，如焊料量、邦定LED晶粒在接触焊盘之间的位置等。用户可使用一系列代表合格和不合格(NG)结果的图像对检测系统进行训练。检测系统将学习标记重大缺陷，并忽略公差范围内的异常。这些工具可准确定位和识别感兴趣区域(ROI)以及该区域内的任何潜在重大缺陷。通过利用这些信息，生产管理人员可以更有效地管理所生产显示屏的质量，从而降低生产成本，并提高利润率。