在半导体制造领域，晶圆（wafer）是芯片生产的核心载体，其表面缺陷（如划痕、颗粒污染、图案缺失等）会直接导致芯片良率下降，甚至引发整批报废。传统人工目检效率低（单片检测耗时久）、漏检率高（微小缺陷易忽略），难以满足先进制程（如7nm、5nm）对“零缺陷”的严苛要求。本项目立项旨在解决“晶圆缺陷检测效率低、精度不足”的核心痛点，依托半导体产线的自动化检测设备与图像数据，构建AI驱动的缺陷识别系统，支撑晶圆制造环节的在线实时检测、缺陷分类统计、良率分析等业务场景，助力企业降低生产成本、提升芯片良率与市场竞争力。
项目包含图像采集与预处理、缺陷检测算法引擎、检测结果可视化、数据管理与追溯四大核心功能模块：
1、图像采集与预处理：对接半导体产线的光学检测设备（如AOI、KLA设备），实时采集晶圆表面高清图像；通过去噪、增强、配准等算法优化图像质量，消除光照不均、镜头畸变等干扰；
2、缺陷检测算法引擎：基于深度学习（如CNN、Transformer）与传统机器视觉（如模板匹配、边缘检测）融合算法，实现“像素级”缺陷定位与分类（区分划痕、颗粒、桥接等10+类缺陷）；支持模型迭代优化，通过标注数据持续训练提升检测精度；
3、检测结果可视化：在工业平板/PC端展示缺陷位置（叠加于晶圆图谱）、类型、置信度等信息；支持按批次、缺陷类型生成统计报表（如缺陷分布热力图、良率趋势图）；
4、数据管理与追溯：存储检测图像、缺陷标签、工艺参数等数据，支持历史数据回溯；对接MES系统，将缺陷信息与晶圆ID、生产工序关联，辅助工程师定位缺陷根源（如设备故障、工艺偏差）。
个人任务：负责缺陷检测算法开发与部署，包括：
1、设计“多尺度特征融合”网络结构，解决微小缺陷（＜5μm）漏检问题，漏检了低于0.05%；
2、搭建数据集标注平台，组织工程师完成10万+张晶圆图像的缺陷标注；
3、优化模型推理速度，通过TensorRT加速将单片检测耗时从2s压缩至0.5s，满足产线节拍要求。
技术栈与架构：
1、硬件层：采用NVIDIA Jetson AGX Orin作为边缘计算设备，部署于产线检测工位；
2、软件层：后端基于Python（PyTorch框架）开发算法服务，前端用Vue.js搭建可视化界面；数据存储采用PostgreSQL（结构化数据）+ MinIO（图像文件）；
亮点与难点：
1、亮点：引入“迁移学习+小样本学习”，仅需少量新缺陷样本即可快速适配新型号晶圆的检测需求；
2、难点：晶圆表面图案复杂（如多层金属布线），易与缺陷混淆。通过“背景抑制算法+注意力机制”聚焦缺陷区域，将误检率从8%降至1.2%。
评论