Mini LED行业「Plus」级别新选择

Mini LED是LED屏幕的一种，其芯片尺寸介于50-200μm之间，是LED微缩化和矩阵化后的技术产物。Mini LED的画面表现及性能要优于传统LED，比OLED更省电且支持精确调光，比Micro LED良品率更高，成本较低，所以在量产方面具有明显优势。
面对猛增的市场需求，广大Mini LED制造商需要紧抓两大重点，才能快速把握住市场机遇。第一个重点是“LED晶圆检测”，LED晶圆作为LED的核心部分，LED相关电路元件的加工与制作都是在晶圆上完成的，因此不容有误差。第二个重点是“晶圆追踪自动识别”，对晶圆进行生产管理与追踪识别，可以提高半导体行业自动化生产效能，这对于盈利率也极为重要。
 
康耐视拥有超40年的从业经验，已在显示器制造、模块装配和消费性成品设备行业为广大客户成功部署了多套视觉解决方案。今天这份Mini LED行业解决方案【PLUS版】，罗列了Mini LED行业4大常见行业难题以及康耐视对应的精准解决方案，相信定会让大家有所受益。
 
一、       分析各个晶圆层上的缺陷及其异常
 


挑战：晶圆层可能会有划痕、旋转缺陷、曝光问题、颗粒污染、热点、晶圆边缘缺陷，以及影响最终芯片性能的各种其他缺陷。
如果在层沉积后未及时探测到缺陷，则此类缺陷只能在最终测试时探测到，这就浪费了宝贵的资源，因为已经为有缺陷的产品增加了附加值。更糟糕的是，最低水平的缺陷可能根本就检测不出来。即使它们通过了最终的电子测试，未探测到的缺陷会降低使用可靠性，导致过早出现故障。
 
解决方案：由于人工检测速度慢，它只能在晶圆的一个统计子集上进行。它还会导致额外的晶圆处理，从而引入新的污染源和损害来源。相比之下，康耐视深度学习软件可在更大一部分晶圆上执行自动缺陷筛选。该工具可探测晶圆层任意位置上的即使是很小的缺陷并将其判为不合格，而且完全不受下层的影响。它还可用于两级检测系统，在该系统中，它可以识别出模糊的情况，并将这些情况发送到离线手动检测站进行进一步检查。
 
二、       检查和分类探针标记
 


挑战：晶圆层可能会有划痕、旋转缺陷、曝光问题、颗粒污染、热点、晶圆边缘缺陷，以及影响最终芯片性能的各种其他缺陷。
如果在层沉积后未及时探测到缺陷，则此类缺陷只能在最终测试时探测到，这就浪费了宝贵的资源，因为已经为有缺陷的产品增加了附加值。更糟糕的是，最低水平的缺陷可能根本就检测不出来。即使它们通过了最终的电子测试，未探测到的缺陷会降低使用可靠性，导致过早出现故障。
 
解决方案：深度学习技术有助于识别和分类高度可变的探针标记，从而提高晶圆测试的效率和提高晶片成品率。康耐视深度学习工具通过帮助验证OK和NG探针标记之间的区别，使探针标记检测更容易，更省时。该软件从显示正确探针标记的广泛图像和显示不可接受的探针标记的图像中进行训练。然后，不可接受的标记可以被归类为“与压力有关”或“偏离中心”。利用这些信息，操作员可以调整探针的压力或对准，以增加可接受的探针标记的数量，并保持探针的良好工作状态。与其他可能将OK标记误判为不可接受，或将NG标记误判为可接受的方法相比，在探针标记上使用深度学习检测可以增加晶圆的晶片产量。
 
三、       晶圆载环光学字符识别
 


挑战：一旦晶圆被切割，晶圆ID就不再可用。为了保持先前在晶圆上创建的晶片的可追溯性，一个标有识别号的载体环会携带经过切割的硅晶圆，直到将它们从载体环上移除，以便进行打线。切割过程中，锯开的碎片会散落在晶片和环上，因此必须对它们进行清洗。反复的清洗会使载体环的表面退化，从而降低了代码的可读性。表面和字符的变化使基于规则的视觉技术很难随着时间的推移准确读取这些代码。像数字0和字母O或数字1和字母I这样的字符，如果褪色或磨损，就很难分辨出来。无法读取的环会导致自动化过程中的速度减慢，从而影响产量。使用字符识别读取晶圆环上的代码，可以使它们使用更长时间，并保持自动化流程的运行。
 
解决方案：康耐视的深度学习工具使制造商能够准确地读取晶圆载体环上的识别码，即使它们因多次清洗而退化了。同时使用智能相机和深度学习软件，利用光学字符识别(OCR)破译损坏的代码。凭借深度学习预训练字体库，软件内的深度学习读取工具开箱即用，能够大幅减少开发时间。用户只需设置感兴趣区域并设置字符大小。即使引入了新字符，无需视觉专业知识也可以对这个可靠的工具进行重新训练，使其读取传统OCR工具无法解码的应用特定字符。
 
四、       LED晶片表面检测


 
挑战：在检测可能影响晶片质量和性能的缺陷在集成电路制造过程中，必须对每个晶片进行检查，以检查其表面是否有裂纹、碎片、烧痕等，因为这些缺陷会对晶片的质量和性能产生负面影响。这些缺陷是可变的，而且在不同的位置，因此，基于规则的机器视觉要及时准确地找到它们是很有挑战性的。由于不影响芯片质量的正常畸变也会出现，所以不花多余的时间标记这些小缺陷是很重要的。鉴于每天处理的芯片的大小和数量，人工检查既不高效也不实用。此外，尽量减少人与人之间的互动，这样可以减少污染物进入无尘室的机会。
 
解决方案：康耐视深度学习的缺陷检测工具可以发现晶片表面各种不可接受的外观缺陷，否则对于基于规则的视觉检测系统来说就太复杂或太耗时了。该工具检查晶片的表面，以检测是否有裂纹、碎片或烧痕。该软件通过各种图像进行训练，说明缺陷类型和位置的可变性。在确定了潜在的感兴趣区域后，深度学习分类工具对缺陷(如裂纹、碎片、尘斑等)进行分类。利用这些信息，可以进行工艺改进，以减少缺陷并提高产量。