AI人工智慧正被應用於電子和半導體製造
AI人工智慧正被應用於電子和半導體製造
它可以提高生產質量、優化製程、提早辨識出有瑕疵的零件，以減少廢棄成本。
產業應用介紹
電子和半導體產業是快速增長的產業；也是處理複雜電子設備生產的職業。隨著裝置輕量化趨勢，連帶電路板的零件也跟著微小化，細小零件之間的微小變化變得難以察覺，提升檢測的難度。
我們將探討人工智慧在電子、半導體製造中的應用方式，以及它如何提升生產效率與減少成本的浪費。
AOI 自動光學檢測的挑戰
PCB 瑕疵檢測
現行普遍使用AOI設備進行印刷電路板(PCB)瑕疵檢測。基於規則(Rules-based)的機器視覺難以將所有瑕疵問題定義清楚，容易會有誤判或將已修復並可出貨的產品，判定為有瑕疵的錯誤發生。造成人力成本與工作量增加。
深度學習中的影像辨識技術
降低瑕疵定義的偏誤，提高AOI檢測準確率
你可以利用 AI 人工智慧進行影像分析，將AOI 無法辨識的缺陷進行分類，減輕檢驗人員的負擔，提升工廠生產效率。
解決方案： Nilvana Vision Studio + Nilvana Vision Inference Runtime + AIoT Edge
PCBA 零組件檢驗
組裝完成的板子則稱為 PCBA(Printed Circuit Board Assembly)。組裝完成後，必須詳細確認積體電路(IC)與元件是否有正確安裝在對的位置，以確保功能正常運作。
產線上多以人工目視方式檢測組裝的正確性，由於PCBA上的電子元件種類繁多，長期檢測下容易造成人眼疲勞。
深度學習中的影像辨識技術
加速生產與提升產品良率
解決方案： Nilvana Vision Studio + Nilvana Vision Inference Runtime + AIoT Edge
SMT印刷錫膏最佳製程參數
錫膏印刷是SMT(Surface Mount Technology)表面貼焊、黏著技術製程的第一步，製作方法是將錫膏印刷在 PCB 需要焊接零件的焊墊上。而錫膏的位置、體積、用量多寡皆會影響後續零件焊接品質。
大多製造商會採用 SPI 錫膏檢測機，做為事後監控錫膏印刷的品質檢驗站。然而，事前預防永遠勝過事後的補救。
透過機器學習模擬製程結果、建議參數
預防錯誤、強化製程品質
利用機器學習分析 SPI 與印刷錫膏的歷史數據，在生產過程中推薦最適錫膏印刷參數的設定，提高品質。
解決方案：AI Starter Kit + AIoT Edge
SMT回焊前、後瑕疵檢驗
SMT 製程技術是將電子元件，如電阻、電容、電晶體、積體電路等等，透過錫膏輕微黏住在印刷電路板上後，經過回焊爐熔融焊墊上的錫膏，將電子零件固定焊接在印刷電路板。
預防焊接缺陷，減少事後重工修補的成本浪費
人工智慧擅長區分缺陷與焊接前後變化差異。透過AI應用，減少機器視覺將陰影或反射判斷成缺陷的誤判。
解決方案： Nilvana Vision Studio + Nilvana Vision Inference Runtime + AIoT Edge
半導體晶圓品質管控監測
在晶圓製造過程中，為了使晶圓生產的良率維持穩定，利用AOI設備進行品質檢測是相當典型的作法。
然而晶圓上潛在的缺陷範圍非常廣且細微，並隨機散佈於晶圓上。傳統光學檢測的規則難以概括定義，時常需要人力介入，進行第二次複檢。
AOI與AI的完美結合
透過AOI設備，搜集樣本與瑕疵照片，供AI訓練更好的模型，並再次部署到設備上，強化檢測準確率。藉此將有效的解決產業對於品檢的人力依賴、提高產品品質，提升產業價值。
解決方案： Nilvana Vision Studio + Nilvana Vision Inference Runtime + AIoT Edge
