深度学习与计算机视觉在半导体制造接触环密封缺陷检测中的系统级集成

本文创新性地将深度学习（ResUNet）与传统计算机视觉技术（霍夫变换）系统集成，开发出动态缺陷检测系统，成功解决半导体电镀工艺中接触环密封件（CRS）因化学腐蚀/机械磨损导致的毫米级缺陷、低对比度异常等检测难题。相比静态系统（召回率仅18.9%），新系统实现99%的准确率与1.43秒实时响应，检测灵敏度提升5.2倍，显著减少人工干预并提升产线效率。

　　

亮点

半导体检测领域的缺陷检测革命始于自动光学检测（AOI）系统，从人工目检逐步发展为复杂的计算机视觉方法。传统方法依赖与"黄金"参考图像的模板匹配、空间滤波和形态学操作，但存在高假阳性率等显著局限。

系统概述

我们采用系统级工程方法，战略性地整合成熟计算机视觉技术与深度学习架构。重点并非开发新算法，而是优化ResUNet分割、霍夫变换几何检测与后处理策略的集成，以满足半导体制造的特殊工业需求。这种工程集成方法强调可靠性、计算效率和工业适用性。

实验设置与数据集

本研究通过两大方向展开：1) 评估动态缺陷检测系统在不同条件下的性能；2) 分析系统模块对检测能力的影响。我们与头部半导体制造商合作，采用真实产线采集的305张CRS图像数据集，构建了符合工业标准的测试框架。

边缘计算部署挑战

尽管性能优异，我们的方法仍存在局限：在高端硬件（RTX 3080 GPU）上实现1.5秒推理时间，但并非所有产线都配备此类设备。随着边缘计算设备的快速发展，该问题正逐步解决。我们测试了轻量级模型在嵌入式设备的表现，为工业部署提供参考方案。

结论

本研究提出半导体制造CRS缺陷检测的系统级工程解决方案。通过深度学习与经典计算机视觉技术的战略整合，有效解决了传统静态检测系统的工业实践难题。第一阶段采用ResUNet进行粗分割，第二阶段通过霍夫变换实现亚像素级几何检测，最终通过动态分类器实现99%的召回率。