深度學(xué)習(xí)技術(shù)無(wú)需使用昂貴的缺陷庫(kù)即可幫助限制半導(dǎo)體缺陷并提高產(chǎn)量。

在整個(gè)半導(dǎo)體生產(chǎn)過(guò)程中，機(jī)器視覺(jué)用于嚴(yán)格地監(jiān)控質(zhì)量和查找缺陷。制造商必須重視針腳掛擦、扭曲、彎曲或缺失等情況。芯片容錯(cuò)率很低，如果存在任何缺陷，即使是在表層，也會(huì)使芯片成為廢品。因?yàn)榭赡艹霈F(xiàn)的缺陷類(lèi)型太多，所以使用規(guī)則式算法對(duì)檢測(cè)進(jìn)行編程是非常低效的。顯式搜索所有缺陷不但太復(fù)雜，而且費(fèi)時(shí)。深度學(xué)習(xí)算法無(wú)需使用大量的缺陷庫(kù)即可幫助限制半導(dǎo)體缺陷并提高產(chǎn)量。

Cognex Deep Learning 為識(shí)別異常特征提供了一個(gè)簡(jiǎn)單的解決方案，甚至不需要使用“不合格”圖像進(jìn)行訓(xùn)練。取而代之，工程師只需在非監(jiān)督模式下使用缺陷探測(cè)工具以“合格”圖像范例訓(xùn)練軟件即可。Cognex Deep Learning 學(xué)習(xí)芯片引線(xiàn)和引腳的正常外觀和位置，然后將所有有偏差的特征分類(lèi)為缺陷。