利用AOI检查晶圆外观状态与金属残留等，确保无任何缺陷、刮痕等瑕疵已经是非常成熟与普遍的手段，不过随着国内半导体产业朝着先进制程迈进，对于检测的标准也不断的提高。 传统视觉检测技术正在经历前所未有的挑战：
1.分辨率要求高
2.僵化算法无法适应复杂环境变化
3.准确率不足影响良率
借由将AI导入AOI，不仅能够结合视觉检测的优势，打破旧有以规则为基础的算法限制，借由AI不仅带来更加准确的检测效果，也在应用上更加弹性。
三大发挥AI优势于晶圆检测的应用
晶圆缺陷检验
半导体晶圆由多层精密材料堆叠而成，每层都经过复杂且精确的沉积制程。这使得潜在的缺陷种类多样且难以预测，并且可能出现在晶圆上的任何位置。
其中一个主要挑战是，涂层中的缺陷会呈现无法预测的色彩变化，这使得在先前已沉积的复杂背景层上准确侦测这些缺陷变得极为困难。传统的机器视觉系统由于其基于规则的程式设计限制，难以应对如此多样化的错误模式，即使在多层背景上侦测缺陷，其可靠性也大打折扣。
DaoAI 解法：透过AI由正常无缺陷样本学习并可建立标准模型，无需透过缺陷样本训练，AI能够检测出不同于正常样本之缺陷，不受规则限制。
WLCSP 侧壁的微小裂缝
晶圆级晶片尺寸封装 (WLCSP) 的多层构造，常因处理不当、加压过度 (处理焊球时) 或输送过程不慎，进而造成微小裂缝，使用基于规则的机器视觉，既费时且困难重重，甚至难以分清分层变化与微小裂缝之间的差异。
DaoAI 解法：透过AI能持续由人工反馈学习的特性，克服背景变化杂乱且对比度低的状况逐渐全面理解缺陷 (微小裂缝) 的样态，并且以像素级别进行检测达到高进度检测需求。
晶粒表面检测
晶粒的裂缝、碎裂、焦痕等这些缺陷不仅样态多变，而且出现的位置不一，对于基于规则的机器视觉而言，难以准确地找出这些缺陷，并且相当复杂且费时。
DaoAI 解法：AI 由正常样本学习，不受规则限制，能够识别出众多样态的涂装缺陷，并且检测各处是否混合出现任何裂缝、碎裂或焦痕。
AI 的导入不仅是 AOI 技术的升级，更是半导体制造迈向更高标准的关键。AI 的强大学习与适应能力，为晶圆检测带来了前所未有的精准度和效率，成为确保半导体良率的坚实后盾。
别再让传统检测技术成为良率的瓶颈。让 AI 为您的生产线注入新的活力，实现更精准、更高效的检测，助您在先进制程的道路上抢占先机。
立即与我们联系