晶圆缺陷图像 AI 检测
UNIOS 具有自研 AI 技术引擎，并实际应用于智慧医疗，异形复杂工件缺陷的高速检测等相关项目，该 AI 技术引擎，可高效实现于缺陷检测，分割定位等功能。UNIOS 亦开发了具有 400 倍光学放大倍率的医疗级影像成像，定位，对焦和细胞分割，分类等完整技术方案，对于光学成像，对焦和数字图像的预处理等具有自研高效算法。
深圳某电子公司目前的晶圆缺陷检测业务，采用 100 倍以下的光学放大成像设备，由人工肉眼按照作业指导书上定义的各类缺陷特征，进行不良品检查识别。缺陷主要包括刮伤，氧化，脏污，保护层等。
博杰希望采用 AI 图像处理技术，进行上述晶圆缺陷特征的自动检测，并初步评估 UNIOS 现有技术的可行性和识别效果。为此提供了涵盖不同缺陷的一批数字图像，包括含有文字和标识框的标注图像以及原始图像。
1. 数据情况
共收集 9 类图像文件，包括：保护层、崩边、刮伤、护、切偏、脱皮、压伤、氧化、脏污。
图 1 保护层
图 2 崩边
图 3 刮伤
图 4 护
图 5 切偏
图 6 脱皮
图 7 压伤
图 8 氧化
图 9 脏污
2. 测试方案
我们对于收到的数字图像进行了训练数据预处理，包括切除原始图像中黑色区域，归一化同类缺陷的图像尺寸。参考客户提供的标注提示以及作业指导书的相关内容，对于脱皮，脏污，保护层，崩边，刮伤，压伤，氧化缺陷类别的图像进行了标注和训练评估，切偏类别的图像，可能属于测量领域的视觉处理应用，暂时没有进行相关处理，护类别的缺陷图像，因为我们的工程师不太理解其缺陷具体图像特征表现和相关检测原理，暂时未进行处理
3. 测试结果
我们的 AI 处理工具输出了与测试图像分辨率相同的缺陷区域灰色图像作为预测结果，其中亮度越高的区域，属于缺陷的可能性越高。我们将该预测结果图像与原始图像进行覆盖混合，以了解 AI 处理工具，预测的结果与实际图像的相关性是否准确，合理。
以下为各缺陷类别保留作为测试验证的数字图像的预测结果混合图像
图 10 压伤
图 11 崩边
图 12 保护层
图 13 脱皮
图 14 刮伤
图 15 脏污
图 16 氧化
结论
从上述输出的测试结果看，验证结果比较理想，目前我们采用的 AI 分割模型对于晶圆的上述缺陷具有较高的特异性和灵敏度，在缺陷训练图像数据较少的情况下，仍准确提取了缺陷特征规律，并可以稳定，可靠的泛化预测