当前位置：首页 > MES/ERP 工厂落地实战 > 正文内容

半导体百科：自动光学检测(AOI)系统原理与实战指南

Q: 缺陷数下降但良率没有改善，可能是什么原因？

A：大概率是消除的缺陷本身不具致命性。缺陷对良率的影响取决于其尺寸、位置与所在图形环境，减少场区无害缺陷不会带来良率收益。此时应重新按「致命性」而不仅是「数量」定义改善目标。

Q: 同样数量的缺陷为什么对良率影响不同？

A：因为缺陷的影响取决于尺寸、位置与所在图形环境。落在场区的缺陷通常无害，落在关键图形上则可能直接导致断路或短路。因此评估缺陷影响时必须结合位置信息，仅比较总数会产生误导。

Q: 缺陷检测结果和实际良率对不上，如何排查？

A：先确认是否统计了口径一致：检测统计的是缺陷数量或密度，良率反映的是器件失效比例，两者之间的换算需要缺陷致命性模型。其次是时空对应关系是否正确，缺陷检测与电性测试之间隔了多道工序，若对应关系错误则结论必然偏差。

叶志辉3个月前 (07-04)MES/ERP 工厂落地实战75

半导体百科：自动光学检测

【摘要】

本文系统梳理缺陷检测与分析领域的核心问题与落地路径。自动光学检测（Automated Optical Inspection，简称AOI）是半导体制造过程中至关重要的质量检测技术，…。全文围绕「摘要、背景介绍、AOI系统工作原理、常见缺陷类型详解、实战：AOI系统实施要点」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：除了AOI设备本身的参数优化，AOI数据的分析也很有价值。补充说明：缺陷分析的起点是分类而非计数。缺陷总数相同但类型分布不同的两批产品，对良率的影响可能完全不同，因此必须经过复查分类才能得出可用结论。

【核心要点】

摘要：自动光学检测（Automated Optical Inspection，简称AOI）是半导体制造过程中至关重要的质量检测技术，广泛应用于晶圆制造、封装测试、…
背景介绍：随着半导体工艺节点不断缩小（目前已进入3nm量产阶段），芯片制造对缺陷检测的精度和速度要求日益严苛。
AOI系统工作原理：AOI系统的核心工作原理是通过光学成像设备获取被测物体的表面图像，然后利用图像处理算法和机器学习模型自动识别缺陷。完整AOI系统包括以下关键子系统：
常见缺陷类型详解：半导体制造过程中，AOI系统需要检测数十种不同类型的表面缺陷，以下是最常见且与良率直接相关的五类缺陷：
实战：AOI系统实施要点：在实际产线中部署AOI系统时，工程师需要重点关注以下实施要点：
代码示例：基于Python的缺陷区域提取：以下代码演示了使用OpenCV对AOI图像进行预处理并提取缺陷区域的基本流程。该代码可用于Particle、Scratch等缺陷的自动检测和区域标记。

【适用场景】

缺陷突增批次的工序定位与原因分类。
缺陷检测灵敏度的优化（检出能力与噪声的平衡）。
缺陷与良率损失的定量关联分析。
缺陷突增的工序定位与类型分类。

🔧 配套工具：本节的核算／判读可用站内工具直接跑，推荐半导体MES工单管理v2 详解、半导体生产排程优化v2、半导体批次追溯增强版v2（zip 包，含可运行 Python 脚本与示例数据）。
这个方向的工具共 53 款，完整清单与选型建议见 MES与生产管理工具包。全部 351 款见工具资源包下载页。

一、摘要

自动光学检测（Automated Optical Inspection，简称AOI）是半导体制造过程中至关重要的质量检测技术，广泛应用于晶圆制造、封装测试、PCB组装等环节。本文系统介绍AOI系统的工作原理、常见缺陷类型（particle、bump crack、scratch等）、AOI与人工复检的效率对比，并提供基于Python的缺陷区域提取代码示例，帮助MES（制造执行系统，Manufacturing Execution System）工程师和工艺工程师深入理解和应用AOI技术。

关键词：AOI、自动光学检测、缺陷检测、Particle、Bump Crack、Scratch、图像预处理、边缘检测、半导体良率

缺陷检测的灵敏度设置需要与工艺水平匹配：灵敏度过低会漏掉关键缺陷，过高则产生大量噪声掩盖真实问题。合理的做法是依据历史缺陷分布与良率影响反复校准。

二、背景介绍

随着半导体工艺节点不断缩小（目前已进入3nm量产阶段），芯片制造对缺陷检测的精度和速度要求日益严苛。传统人工目检方式已无法满足现代半导体产线的高吞吐量需求，自动光学检测（AOI）系统应运而生，成为保障芯片良率的关键设备。

AOI技术最早应用于PCB组装行业，20世纪90年代末开始引入半导体封装测试领域，21世纪初逐步延伸至晶圆制造前道工艺。如今，AOI系统已成为半导体产线标配设备，市场渗透率接近100%。

根据SEMI统计，2024年全球半导体AOI设备市场规模已达52亿美元，预计2027年将突破75亿美元，年均复合增长率超过13%。中国市场因本土晶圆厂大规模扩建，AOI设备需求增长尤为迅速。

缺陷的空间分布携带着归因信息：边缘环状分布常与传输、夹持或边缘工艺相关；与腔体位置对应的扇区分布指向设备差异；全片随机分布多与颗粒污染或化学液相关。

三、AOI系统工作原理

AOI系统的核心工作原理是通过光学成像设备获取被测物体的表面图像，然后利用图像处理算法和机器学习模型自动识别缺陷。完整AOI系统包括以下关键子系统：

光学照明系统：采用多角度、多光谱光源（如环形LED光源、同轴光、线形光）对晶圆表面进行均匀照明，突出不同类型的缺陷特征。照明质量直接决定图像信噪比，是AOI系统性能的基础。

成像系统：由高分辨率工业相机（CCD或CMOS传感器）、显微镜头、图像采集卡组成。现代AOI系统相机分辨率普遍达到2000万像素以上，搭配远心镜头可实现亚微米级成像精度。

机械运动系统：高精度XYZθ平台，负责承载晶圆或基板，实现精确扫描路径。运动精度需达到±1μm以内，确保图像拼接无错位。

图像处理单元：运行去噪、增强、特征提取等预处理算法，为后续缺陷检测提供高质量输入图像。常用算法包括高斯滤波、直方图均衡化、边缘检测（Sobel/Canny）、形态学运算等。

缺陷检测算法：基于规则检测（差分比对、阈值分割）或深度学习（CNN、YOLO系列）的缺陷识别引擎，输出缺陷位置、类型和严重等级。

分类与复检系统：对检测到的缺陷进行自动分类（真缺陷 vs 误报），并将可疑缺陷推送至人工复检工作站（Review Station），由操作员最终确认。

四、常见缺陷类型详解

半导体制造过程中，AOI系统需要检测数十种不同类型的表面缺陷，以下是最常见且与良率直接相关的五类缺陷：

其中，Particle是最常见（占缺陷总数60%以上）且对良率影响最大的缺陷类型。在28nm以下节点，即使直径20nm的Particle也可能导致栅极短路。因此，AOI系统对Particle的检出率要求极高（通常需达到99.5%以上）。

缺陷的致命性判断必须结合版图环境：相同尺寸的缺陷在不同图形位置上的影响差异极大，因此叠加版图信息的缺陷分析才能估算对良率的真实影响。

五、实战：AOI系统实施要点

在实际产线中部署AOI系统时，工程师需要重点关注以下实施要点：

（1）光学参数优化：根据缺陷类型和产品特性，调整光源角度、波长、强度。例如，检测金属表面的Particle需使用暗场照明（Dark Field），而检测bump形貌则需使用明场照明（Bright Field）。

（2）检测算法选择：对于规则缺陷（Particle、Scratch），传统的差分比对算法（Golden Reference Comparison）已足够；对于复杂缺陷（bump crack、pattern defect），建议采用深度学习算法（如YOLOv8、Faster R-CNN）以提升检出率。

（3）误报率控制：AOI系统的误报率（False Positive Rate）直接影响人工复检成本。通过优化检测阈值、引入多帧确认机制、结合设计数据（GDS版图）进行比对，可将误报率控制在2%以下。

（4）系统与MES集成：AOI设备需通过SECS/GEM协议与MES系统通信，实时上传缺陷数据（ defect map、defect count、defect classification），支持SPC（统计过程控制）分析和良率预测。

缺陷分析的起点是分类而非计数。缺陷总数相同但类型分布不同的两批产品，对良率的影响可能完全不同，因此必须经过复查分类才能得出可用结论。

六、代码示例：基于Python的缺陷区域提取

以下代码演示了使用OpenCV对AOI图像进行预处理并提取缺陷区域的基本流程。该代码可用于Particle、Scratch等缺陷的自动检测和区域标记。

import cv2
import numpy as np
import matplotlib.pyplot as plt

def extract_defect_regions(image_path, threshold=30, min_area=50):
    """
    AOI缺陷区域提取函数
    参数：
        image_path: AOI图像路径
        threshold:   差分阈值（灰度差异）
        min_area:    最小缺陷面积（像素）
    返回：
        defect_regions: 缺陷区域列表 [(x, y, w, h), ...]
        result_img:     标注后的图像
    """
    # 1. 读取图像（灰度模式）
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        raise ValueError(f"无法读取图像: {image_path}")

    # 2. 读取Golden Reference图像（无缺陷参考图）
    #     实际产线中，Golden Image来自同一产品的标准晶圆
    golden = cv2.imread(image_path.replace('.jpg', '_golden.jpg'),
                        cv2.IMREAD_GRAYSCALE)
    if golden is None:
        # 若无Golden Image，使用高斯滤波后的图像作为参考
        golden = cv2.GaussianBlur(img, (15, 15), 0)

    # 3. 差分比对（Subtractive Comparison）
    diff = cv2.absdiff(img, golden)

    # 4. 阈值分割
    _, binary = cv2.threshold(diff, threshold, 255, cv2.THRESH_BINARY)

    # 5. 形态学运算（去除噪声，连接邻近缺陷）
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
    binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
    binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

    # 6. 轮廓提取
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL,
                                   cv2.CHAIN_APPROX_SIMPLE)

    # 7. 过滤小区域（去除噪声）
    defect_regions = []
    result_img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area >= min_area:
            x, y, w, h = cv2.boundingRect(cnt)
            defect_regions.append((x, y, w, h))
            # 绘制红色矩形框标记缺陷
            cv2.rectangle(result_img, (x, y), (x+w, y+h), (0, 0, 255), 2)
            # 标注缺陷ID
            cv2.putText(result_img, f'D{len(defect_regions)}',
                        (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

    print(f"检测到 {len(defect_regions)} 个缺陷区域")
    return defect_regions, result_img


def classify_defect_type(defect_roi):
    """
    缺陷类型分类（基于形状特征）
    返回：'particle' | 'scratch' | 'bump_crack' | 'unknown'
    """
    # 计算长宽比
    h, w = defect_roi.shape[:2]
    aspect_ratio = max(w, h) / (min(w, h) + 1e-5)

    # 计算圆形度
    contours, _ = cv2.findContours(defect_roi, cv2.RETR_EXTERNAL,
                                   cv2.CHAIN_APPROX_SIMPLE)
    if not contours:
        return 'unknown'
    cnt = contours[0]
    area = cv2.contourArea(cnt)
    perimeter = cv2.arcLength(cnt, True)
    circularity = (4 * np.pi * area) / (perimeter**2 + 1e-5)

    if circularity > 0.7 and aspect_ratio  3:
        return 'scratch'        # 细长 → Scratch
    elif 0.3 < circularity < 0.7:
        return 'bump_crack'     # 不规则 → Bump Crack
    else:
        return 'unknown'


# 示例使用
if __name__ == '__main__':
    # 实际使用时替换为真实AOI图像路径
    regions, result = extract_defect_regions('aoi_wafer_001.jpg', threshold=25)
    cv2.imwrite('aoi_result_001.jpg', result)
    print("缺陷提取完成，结果已保存")

    # 分类每个缺陷
    for i, (x, y, w, h) in enumerate(regions):
        roi = result[y:y+h, x:x+w]
        dtype = classify_defect_type(roi)
        print(f"缺陷 {i+1}: 位置({x},{y}) 类型:{dtype}")

代码说明：上述代码实现了AOI缺陷检测的核心流程——差分比对法。该方法将待测图像与无缺陷的Golden Reference图像进行像素级比对，通过阈值分割提取差异区域，再经形态学滤波去除噪声，最终输出缺陷位置和边界框。分类函数则根据缺陷的形状特征（圆形度、长宽比）判断缺陷类型，为后续复检提供先验信息。

七、效果对比：AOI vs 人工复检

上图展示了AOI自动检测与人工检测的多维度性能对比。从数据可以看出：

（1）检测速度：AOI系统检测速度可达120片/小时，是人工检测（20片/小时）的6倍，能够满足现代产线的高吞吐量需求。

（2）误报率：AOI误报率约2.5%，虽然低于人工检测的8%，但仍有优化空间。引入深度学习分类器后，误报率可进一步降至1%以下。

（3）漏检率：AOI漏检率（0.3%）显著低于人工检测（1.2%），尤其在微小Particle（<10μm）检测方面，AOI具有绝对优势。

（4）复检时间：AOI系统可在5秒内完成缺陷定位和分类，而人工复检平均需要45秒/缺陷，效率差距达9倍。

（5）不同缺陷类型的检出率：AOI对Particle的检出率高达99.8%，对Bump Crack和Scratch的检出率也在96%以上，全面优于人工检测。

缺陷复查是分类的前提，而分类结果是改善的前提。缺少分类的缺陷数据只能给出总量趋势，无法指导具体工序的改善。

八、实施建议

AOI设备选型：根据产线节拍（UPH）和检测精度要求选择合适型号。前道晶圆检测推荐KLA-Tencor的Puma系列，封装检测推荐Camtek的Falcon系列。

算法迭代机制：建立缺陷样本库，持续训练和优化深度学习模型。建议每月更新一次模型，纳入新出现的缺陷类型。

误报管理：设置误报审核流程，定期分析误报原因（光学参数？算法阈值？），持续优化系统参数。

半导体百科：自动光学检测

数据追溯：所有AOI检测数据（原始图像、缺陷坐标、分类结果）至少保存3年，满足车规级IATF 16949追溯要求。

人员培训：操作AOI系统的技术人员需接受40小时以上的专业培训，获得设备厂商认证后方可独立操作。

致命性判断需要结合图形环境：同样尺寸的颗粒落在场区可能无害，落在关键图形上则直接导致断路或短路。因此缺陷分析必须叠加版图信息才能估算对良率的影响。

九、进阶方向

AI深度学习融合：将YOLOv8、Mask R-CNN等先进目标检测算法部署至AOI系统，实现端到端的缺陷检测和分类，减少人工特征工程。

多模态检测：结合2D光学图像与3D形貌数据（来自共聚焦显微镜或结构光），提升bump crack等三维缺陷的检出率。

Inline SPC集成：将AOI缺陷数据实时接入SPC系统，当缺陷密度超过控制限时自动报警，实现工艺漂移的早期预警。

Digital Twin（数字孪生，Digital Twin）应用：建立产线数字孪生模型，在虚拟环境中模拟AOI检测流程，优化检测参数和路径规划。

边缘计算部署：将AOI图像处理算法部署至边缘计算节点（如NVIDIA Jetson），减少数据传输延迟，实现实时检测。

补充：AOI系统实战调参经验

在实际FAB中，AOI设备的参数调优是个技术活。我第一次独立负责AOI调参时，光是调整阈值就调了整整3天，良率还是上不去。后来才明白，问题不在阈值本身，而在于对不同工艺阶段的缺陷特征理解不够。

举个例子：刻蚀后的晶圆，particle和bump crack的灰度值差异很大。如果用同一套阈值参数，bump crack很容易漏检。正确做法是按工艺阶段分别建立Recipe：

刻蚀后检测：侧重检测particle、bridge、missing pattern

CMP（化学机械抛光，Chemical Mechanical Polishing）后检测：侧重检测scratch、dishing、erosion

镀膜后检测：侧重检测void、delamination

另一个常见问题是AOI和人工复检的一致性。很多工程师发现AOI检出的defect，人工复检时有一半不存在。这通常是因为AOI的光源角度和人工复检用的显微镜不一致，或者AOI检出的是submicron级别的潜在缺陷，人工显微镜看不到。解决方案是建立双盲复检机制：让AOI连续跑100片，随机抽20片做人工全检，对比检出率。如果一致性低于80%，就要重新调整Recipe。

补充：基于Python的AOI数据分析代码

除了AOI设备本身的参数优化，AOI数据的分析也很有价值。下面是一个批量处理AOI报告的Python脚本：代码解析：用Counter统计缺陷类型比手动计数快10倍，适合处理上千条记录。用numpy的histogram2d用于热力图，对接后续可视化非常方便。分离数据解析和数据分析两层，方便后续扩展到数据库读取。

本文由MES工程师实战笔记团队编写，如需AOI系统选型建议或算法优化支持，欢迎留言交流。

---

【常见坑】

举个例子：刻蚀后的晶圆，particle和bump crack的灰度值差异很大。如果用同一套阈值参数，bump crack很容易漏检。正确做法是按工艺阶段分别建立Recipe：
只看缺陷总数不看类型与位置，把大量无害缺陷计入改善目标，浪费资源。
缺陷检测设备的灵敏度设置过高，产生海量噪点，掩盖真实缺陷。
忽略缺陷与工序的时间对应关系，无法确定缺陷是产生于本工序还是前道带入。
缺陷复查抽样量不足，分类结果的统计置信度不够却直接用于决策。

常见问题（FAQ）

Q：缺陷数下降但良率没有改善，可能是什么原因？