晶圓缺陷標記機器視覺讀取系統是一種應用于半導體制造過程中的高精度自動化光學檢測設備或模塊。其主要目的是在晶圓流片（制造）過程中或完成后，利用機器視覺技術自動識別、讀取和分析晶圓表面由人工或前道設備標記的缺陷位置信息（通常是墨點或激光微刻）。

這類系統是半導體良率管理和缺陷分析的關鍵環節。

1. 系統核心功能
在半導體制造中，當檢測設備（如明場/暗場缺陷掃描儀）發現晶圓上的芯片（Die）存在缺陷時，為了在后續封裝環節剔除壞品，通常會在壞品芯片中心打上微小的墨點（Ink Dot）或使用激光標記。該視覺系統的核心任務就是：

定位讀取：高精度識別哪些芯片被標記。

坐標映射：將物理坐標映射到晶圓圖（Wafer Map）邏輯坐標上。

數據校驗：與AOI（自動光學檢測）設備的電性測試結果進行比對，防止漏封或誤封。


2. 關鍵技術難點
A. 晶圓表面的非均勻性
晶圓經過CMP（化學機械拋光）后，表面可能存在彩虹效應（氧化層厚度不均），導致背景顏色呈漸變狀態。傳統的固定閾值二值化算法在此場景下極易失效。

B. 標記疊加與重疊
在復雜的研發或修復工藝中，一個芯片可能被多次標記（例如：先標記為電性失效，后標記為外觀失效），或者墨點發生拖尾、飛濺。系統必須具備邏輯判斷能力，避免重復計數或誤判。

C. 實時性與吞吐量
在量產環境下（如300mm晶圓，每片包含數千顆芯片），系統需要在極短時間內（通常< 30秒/片）完成全表面掃描、識別并生成標準格式的良率映射文件

3. 常見算法流程
圖像采集：獲取晶圓高分辨率拼接圖或多張局部圖。

模板匹配：利用模板匹配找到晶圓上每個芯片的重復單元（Die）的邊界。

坐標修正：利用最小二乘法擬合實際晶圓網格，修正因載物臺移動造成的非線性畸變。

缺陷分割：應用自適應閾值或U-Net等神經網絡分割出標記區域。

特征分類：根據面積、圓度、灰度均值、紋理特征，將分割出的區域分類為“有效標記”、“污染物”或“刮傷”。

輸出映射：生成Bitmap圖或文本文件，將物理坐標轉換為行列（Row/Column）號，上傳至制造執行系統（MES）或良率管理系統（YMS）。

4. 行業趨勢與前沿技術
深度學習替代傳統算法：隨著晶圓堆疊（3D NAND）和先進封裝的發展，缺陷形態越來越復雜。自動化視覺檢測系統，已普遍采用卷積神經網絡（CNN）進行端到端的缺陷分類，大幅提高了對微小異物和相似缺陷的區分能力。

AI與大數據閉環：現代系統不僅僅是“讀取”標記，還能將讀取的標記數據與前道缺陷掃描數據（Defect Review SEM）進行關聯，自動分析導致該缺陷的光罩或工藝步驟，實現從“檢測”到“診斷”的閉環。

晶圓缺陷標記機器視覺讀取系統是半導體制造中連接“工藝檢測”與“封裝測試”的關鍵橋梁。其核心挑戰在于高反光材質下的微米級特征提取、復雜背景干擾下的高準確率分類以及高吞吐量下的實時數據處理。隨著先進封裝和異構集成的興起，對這類系統的精度和智能化要求仍在持續提高。