Mini LED是LED屏幕的一種，其芯片尺寸介于50-200μm之間，是LED微縮化和矩陣化后的技術產物。Mini LED的畫面表現及性能要優于傳統LED，比OLED更省電且支持精確調光，比Micro LED良品率更高，成本較低，所以在量產方面具有明顯優勢。
面對猛增的市場需求，廣大Mini LED制造商需要緊抓兩大重點，才能快速把握住市場機遇。第一個重點是“LED晶圓檢測”，LED晶圓作為LED的核心部分，LED相關電路元件的加工與制作都是在晶圓上完成的，因此不容有誤差。第二個重點是“晶圓追蹤自動識別”，對晶圓進行生產管理與追蹤識別，可以提高半導體行業自動化生產效能，這對于盈利率也極為重要。
康耐視擁有超40年的從業經驗，已在顯示器制造、模塊裝配和消費性成品設備行業為廣大客戶成功部署了多套視覺解決方案。今天這份Mini LED行業解決方案【PLUS版】，羅列了Mini LED行業4大常見行業難題以及康耐視對應的精準解決方案，相信定會讓大家有所受益。
一、 分析各個晶圓層上的缺陷及其異常
挑戰：晶圓層可能會有劃痕、旋轉缺陷、曝光問題、顆粒污染、熱點、晶圓邊緣缺陷，以及影響最終芯片性能的各種其他缺陷。
如果在層沉積后未及時探測到缺陷，則此類缺陷只能在最終測試時探測到，這就浪費了寶貴的資源，因為已經為有缺陷的產品增加了附加值。更糟糕的是，最低水平的缺陷可能根本就檢測不出來。即使它們通過了最終的電子測試，未探測到的缺陷會降低使用可靠性，導致過早出現故障。
解決方案：由于人工檢測速度慢，它只能在晶圓的一個統計子集上進行。它還會導致額外的晶圓處理，從而引入新的污染源和損害來源。相比之下，康耐視深度學習軟件可在更大一部分晶圓上執行自動缺陷篩選。該工具可探測晶圓層任意位置上的即使是很小的缺陷并將其判為不合格，而且完全不受下層的影響。它還可用于兩級檢測系統，在該系統中，它可以識別出模糊的情況，并將這些情況發送到離線手動檢測站進行進一步檢查。
二、 檢查和分類探針標記
挑戰：晶圓層可能會有劃痕、旋轉缺陷、曝光問題、顆粒污染、熱點、晶圓邊緣缺陷，以及影響最終芯片性能的各種其他缺陷。
如果在層沉積后未及時探測到缺陷，則此類缺陷只能在最終測試時探測到，這就浪費了寶貴的資源，因為已經為有缺陷的產品增加了附加值。更糟糕的是，最低水平的缺陷可能根本就檢測不出來。即使它們通過了最終的電子測試，未探測到的缺陷會降低使用可靠性，導致過早出現故障。
解決方案：深度學習技術有助于識別和分類高度可變的探針標記，從而提高晶圓測試的效率和提高晶片成品率。康耐視深度學習工具通過幫助驗證OK和NG探針標記之間的區別，使探針標記檢測更容易，更省時。該軟件從顯示正確探針標記的廣泛圖像和顯示不可接受的探針標記的圖像中進行訓練。然后，不可接受的標記可以被歸類為“與壓力有關”或“偏離中心”。利用這些信息，操作員可以調整探針的壓力或對準，以增加可接受的探針標記的數量，并保持探針的良好工作狀態。與其他可能將OK標記誤判為不可接受，或將NG標記誤判為可接受的方法相比，在探針標記上使用深度學習檢測可以增加晶圓的晶片產量。
三、 晶圓載環光學字符識別
挑戰：一旦晶圓被切割，晶圓ID就不再可用。為了保持先前在晶圓上創建的晶片的可追溯性，一個標有識別號的載體環會攜帶經過切割的硅晶圓，直到將它們從載體環上移除，以便進行打線。切割過程中，鋸開的碎片會散落在晶片和環上，因此必須對它們進行清洗。反復的清洗會使載體環的表面退化，從而降低了代碼的可讀性。表面和字符的變化使基于規則的視覺技術很難隨著時間的推移準確讀取這些代碼。像數字0和字母O或數字1和字母I這樣的字符，如果褪色或磨損，就很難分辨出來。無法讀取的環會導致自動化過程中的速度減慢，從而影響產量。使用字符識別讀取晶圓環上的代碼，可以使它們使用更長時間，并保持自動化流程的運行。
解決方案：康耐視的深度學習工具使制造商能夠準確地讀取晶圓載體環上的識別碼，即使它們因多次清洗而退化了。同時使用智能相機和深度學習軟件，利用光學字符識別(OCR)破譯損壞的代碼。憑借深度學習預訓練字體庫，軟件內的深度學習讀取工具開箱即用，能夠大幅減少開發時間。用戶只需設置感興趣區域并設置字符大小。即使引入了新字符，無需視覺專業知識也可以對這個可靠的工具進行重新訓練，使其讀取傳統OCR工具無法解碼的應用特定字符。
四、 LED晶片表面檢測
挑戰：在檢測可能影響晶片質量和性能的缺陷在集成電路制造過程中，必須對每個晶片進行檢查，以檢查其表面是否有裂紋、碎片、燒痕等，因為這些缺陷會對晶片的質量和性能產生負面影響。這些缺陷是可變的，而且在不同的位置，因此，基于規則的機器視覺要及時準確地找到它們是很有挑戰性的。由于不影響芯片質量的正?；円矔霈F，所以不花多余的時間標記這些小缺陷是很重要的。鑒于每天處理的芯片的大小和數量，人工檢查既不高效也不實用。此外，盡量減少人與人之間的互動，這樣可以減少污染物進入無塵室的機會。
解決方案：康耐視深度學習的缺陷檢測工具可以發現晶片表面各種不可接受的外觀缺陷，否則對于基于規則的視覺檢測系統來說就太復雜或太耗時了。該工具檢查晶片的表面，以檢測是否有裂紋、碎片或燒痕。該軟件通過各種圖像進行訓練，說明缺陷類型和位置的可變性。在確定了潛在的感興趣區域后，深度學習分類工具對缺陷(如裂紋、碎片、塵斑等)進行分類。利用這些信息，可以進行工藝改進，以減少缺陷并提高產量。
