Sherlock8 AI 驱动的视觉检测可以发现极小的纳米级 PCB 缺陷

手机行业的规模和竞争力推动了许多行业的投资和创新，从成像、软件，甚至冶金。毫无疑问，半导体技术和市场受到了最大的冲击和影响， 更小封装更高性能是半导体市场几十年来一直不懈的需求。 几个月前，苹果发布了最新款 iPhone，其中一些配备了台湾台积电生产的全新 3 纳米制造工艺的新型 A17 仿生芯片。 据报道，苹果采购了台积电能够生产的所有3nm芯片。 这些芯片比 5 纳米前代芯片更小、更快、耗电更低、更节能。 据苹果公司称，每块芯片都有 190 亿个晶体管，其中一些晶体管非常小，可能只有 12 个硅原子宽。

同样的压力也延伸到了印刷电路板制造领域。据报道，苹果公司将改用树脂涂层铜 (RCC) 箔作为其新的 PCB 材料，从而使该公司能够将其制造得更薄。 这对制造商来说将是一个挑战，因为 RCC 箔非常脆弱，研究人员在 IEEE 上发表文章称，它在层压过程中特别容易受到热量和压力的影响。仅仅创新是不够的——你必须要有利润。 《信息》杂志 的新报道描述了苹果为降低成本而获得的有利条件：作为巨额订单的回报，台积电必须承担带有缺陷的处理器芯片的成本。 因此，尽管像 TSM 这样的晶圆厂正在通过开发更小的节点工艺以减小芯片尺寸和降低功耗来加强自己的竞争力，但它们在质量方面将面临严峻的挑战。

PCB 质量检测的自动光学检测

对于许多公司来说，质量控制是 PCB 制造链中的主要瓶颈，包括可靠性测试和返工有缺陷的 PCB。 提高质量控制的速度和效率可以显着提高产量和成品率，降低制造成本和减少浪费。大多数 PCB 制造商使用自动光学检测 (AOI) 来监控印刷电路板中的缺陷。 当印刷板上的焊接、连接、焊盘和走线存在缺陷时，这可以提供强有力的保证。

事实证明，AOI 对于及早检测组装过程中出现的问题非常有用，例如短路、开路、焊接变薄、走线划痕等。 特别是，划痕对于电路板来说可能是“致命的”，会改变其电气特性并导致成品完全故障。AOI 的优势是直接集成在 PCB 生产线的末端，在层压和蚀刻之前，比其他方法更早地检测到可能的缺陷。 成像系统捕获高分辨率图像，分辨率低至几微米，然后将它们与“完美”模型板（也称为“黄金模板”）的图像或合格样品和缺陷样品的图像数据库进行比较 。

尽管如此，随着对更小、更高性能零件的需求，由此产生的材料缺陷的复杂性和微妙性意味着传统的手动检查或基于规则的成像可能根本无法胜任这项任务。 一家半导体OEM设备厂家需要检测 PCB 元件上的各种细微缺陷，包括破损、磨损、污染、碎片和气泡。 然而，使用传统的基于规则的图像处理并不能提供他们所需的准确性。 他们面临着在现有流程中未被发现的缺陷零件增加的问题，从而推高了成本。 他们需要一个新的解决方案。

PCB 上的晶体管可能有许多微小的变化，这些变化可能会，也可能不会影响性能。过去几年AI机器学习领域取得的巨大进步正是针对了此类的应用。结果是一条生产线可以准确地检测印刷电路板上的细微缺陷，而无需进行劳动密集型的人工检测。AI深度学习为传统的基于规则的图像处理提供了可靠且稳定的替代方案，而传统的图像处理在检测细微缺陷方面常常无能为力。总体而言，由于 Teledyne DALSA的 Sherlock8 AI 软件，该OEM客户在 PCB 缺陷检测的准确性和速度方面都取得了显着提高，使他们能够减少缺陷，同时提供符合其规格的更高质量的产品。

为 2030 年做好准备

如今，该行业仍在从 2021 年开始的全球半导体短缺中慢慢恢复。尽管麦肯锡分析师预测，未来十年半导体增长的近 70% 将仅由三个行业推动：汽车、计算和数据存储，以及 无线通信领域，这些行业仍在因错过产品发布、延迟更新、更高的价格和更高的期望而奋起直追。 压力与日俱增。

深度学习和人工智能软件系统譬如：Sherlock8可以快速提高最大瓶颈的速度和准确性：质量控制。 各个公司可以将质量控制转化为竞争优势，提高速度并降低成本，同时在紧密结合的行业中建立信任，而不是成为问题。更好的产品可能只是一个开始。 半导体公司已经是生成和分析数据的领导者，但机器学习和人工智能提供的帮助将绝对增强每家公司运营的生产效率。预测性维护和成品率、研发投资，甚至市场策略和产品优化都可能受益于更多数据和更好的机器学习。