在半導體制造中，由于晶圓是高度潔凈、價值極高的載體，且隨著制程微縮（如5nm、3nm），晶圓表面的特征極度精細，因此這套識別系統面臨著普通二維碼識別系統完全不同的技術挑戰。

1. 核心識別對象
晶圓上承載的二維碼與傳統紙質或金屬表面的二維碼不同，主要有兩種形式：

Data Matrix碼（DM碼，數據矩陣碼）：
唯一選擇：半導體行業幾乎只用Data Matrix碼，而非QR碼。
原因：DM碼占用面積小，糾錯能力強，且能在高反光、低對比度的硅片表面被讀取。

刻印方式：
軟標記：通過激光在光刻膠上燒灼（前道工序，較淺，易被后續CMP（化學機械拋光）工藝磨掉）。
硬標記：直接激光刻蝕在硅片或氮化硅/SiO?層上（永久性，耐高溫、耐化學腐蝕，常見于后道或背面）。

2. 系統硬件組成
由于晶圓的特殊物理特性，視覺系統的硬件選型非常講究：

光學系統：

同軸光源：核心配置。晶圓表面極度反光（鏡面），普通環形光會造成嚴重眩光。同軸光通過分光鏡垂直照射，能有效消除反射干擾，突出激光刻印的凹凸紋理。

多角度光源：針對不同材質（裸硅、金屬層、光刻膠層），需要紅、藍、紅外不同波長的光源來增強對比度。

成像設備：

高分辨率工業相機：通常采用2000萬像素以上或4K線掃相機。DM碼尺寸極小（通常僅0.5mm x 0.5mm到2mm x 2mm）。

顯微鏡頭：由于晶圓上的碼極其微小，需要高倍率的遠心鏡頭，以消除透視誤差，保證晶圓在邊緣位置也能準確讀碼。


3. 核心技術與關鍵挑戰
這是該系統最難攻克的部分，主要解決“讀不到”和“讀錯”的問題。

A. 低對比度與隱形碼
挑戰：有些碼是“軟標記”或因為經過了CMP（化學機械拋光）工藝，肉眼幾乎看不見，只有特定角度光照下才有微弱的相位變化。

解決方案：
深度學習（語義分割）：傳統閾值分割算法（如大津法）在這里基本失效。現代系統利用深度學習模型（如U-Net架構）識別極微弱的紋理差異，將激光燒灼的“點”從背景噪聲中分割出來。

B. 復雜背景干擾
挑戰：晶圓表面可能有復雜的電路圖案（Die）、劃片槽、甚至金屬濺射層。這些背景圖案在相機下可能看起來比二維碼還像“碼”，造成誤判。

解決方案：
基于特征的模板匹配：利用晶圓邊緣的“缺口”或“平邊”進行粗定位，然后在預設的Die（芯片單元）之間的劃片槽區域精確搜索二維碼位置，避免在有效電路區盲目搜索。

C. 光學字符驗證
需求：二維碼解碼后是一串數字（如Wafer ID）。但為了絕對安全，系統通常要求 “讀碼+OCR（光學字符識別）” 雙重驗證。

邏輯：系統不僅要識別DM碼，還要識別碼旁邊刻印的人眼可讀字符。如果DM碼解碼后的字符串與OCR識別的字符串不一致，系統必須報錯，防止因激光打標機故障導致“碼與字符不匹配”導致后續工序混料。

5. 行業應用場景
前道制造：光刻、刻蝕、CMP工序前后。難點在于碼易被工藝磨掉或覆蓋，需要在每道工序后復判。
后道封裝：晶圓減薄、劃片、貼片。難點在于晶圓減薄后極薄（<100um），易碎，且背面打標可能在背面金屬層上，對比度極差。
晶圓分選：需在高速旋轉移動中完成讀碼，對曝光時間和運動控制同步性要求極高。


康耐德智能晶圓二維碼機器視覺識別系統不是一個簡單的“掃碼槍”應用，而是一個結合了精密光學、亞微米級運動控制、深度學習圖像處理以及半導體專用通訊協議的高復雜度子系統。

如果你是在搭建此類系統，最需要關注的三個“坑”通常是：

光照角度：針對不同工藝層（鋁層、銅層、鈍化層）是否有多套光源預案。

翹曲補償：對于12英寸（300mm）大晶圓，邊緣翹曲嚴重時能否連續動態對焦。

誤碼率：在追求高讀取率（>99.9%）的同時，如何將誤讀率（False Read）控制為0（因誤讀會導致整批晶圓報廢）。