© unsplash/@levi_midnight

© unsplash/@levi_midnight

Sicht wählen

Home › 
Projekte › 
Defekterkennung in der Produktion

Defekterkennung in der Produktion

KI-gestützte optische Defekterkennung für die Halbleiterlaserproduktion

Case Study
Computer Vision

Allgemein

Herausforderungen

Die Daten werden in zwei große Kategorien unterteilt: Facettenbilder, die einen Querschnitt des Halbleiters zeigen, und p-Seiten-Bilder, die ihn von oben zeigen (siehe Bild oben und unten). Jede dieser Kategorien birgt eine Reihe von unterschiedlichen Herausforderungen. Insbesondere die p-Seiten-Daten haben eine komplexe geätzte Struktur, die konventionelles Computer-Vision schwierig macht, während in den Facetten-Daten Defekte in Größe und Farbe stark variieren können.

Beispiel einer Laserdioden-Facetteninspektion mit verschiedenen Fehlertypen.

Beispiel einer p-seitigen Inspektion mit unterschiedlichem Schweregrad der Defekte (FBH-Bild).

Allgemein

Lösung

Wir verwenden für jede Klasse von Daten separate Modelle, die beide auf einem Faltungsneuronalen Netzwerk basieren. Diese Modelle erkennen und klassifizieren die Defekte.

Die Ausgabe der Modelle wird an ein regelbasiertes System weitergegeben, das den Schweregrad der Defekte anhand ihrer Klasse und Position im Bild bestimmt. Das Endergebnis wird sowohl als Bild mit den hervorgehobenen Regionen als auch als csv-Datei mit den Klassen und Positionen der Defekte zurückgegeben.

Technisch

Herausforderungen

Es gibt eine Reihe von Schwierigkeiten, die bei diesem Projekt im Vergleich zu anderen Computer-Vision-Projekten einzigartig sind:

  • Bimodale Daten: Wir haben zwei disjunkte Datensätze: p-side und facet, die einige, aber nicht alle möglichen Defekte gemeinsam haben.

  • Umfang der Defekte: Diese können von einigen wenigen Pixeln bis hin zu erheblichen Anteilen des Bildes reichen, die Tausende von Pixeln umfassen können.

  • Hintergrundstruktur: Insbesondere die p-Seite hat eine ausgeklügelte geätzte Struktur, die die Verwendung klassischer Computer-Vision-Techniken wie Linienerkennung und Schwellenwertbildung schwierig macht. Die Struktur kann sich von Beispiel zu Beispiel ändern, so dass die Entfernung mit einer manuell programmierten Pipeline nicht praktikabel ist.

  • Die Hintergrundfarbe ändert sich: Die Farbe und Helligkeit des Bildes ist abhängig vom verwendeten Material. Zukünftige Bilder können sich von jedem Beispiel im Trainingssatz unterscheiden.

  • Ortsabhängiger Schweregrad: Der Schweregrad von Defekten ist unterschiedlich, je nachdem, wo sie sich befinden. Einige Defekte, die eine Probe unbrauchbar machen können, wenn sie sich in der aktiven Zone befinden, können vernachlässigt werden, wenn sie vom Emitter entfernt sind.

  • Bereitstellung: Die fertige Software muss in einer Reihe von verschiedenen Umgebungen eingesetzt werden, einschließlich der Integration mit Systemen wie LabView.

Technisch

Lösung

Das Projekt ist noch im Gange und daher ist die Lösung noch nicht fertiggestellt, aber ein allgemeiner Überblick kann hier diskutiert werden. Jede Teilmenge der Daten wird ihr eigenes Modell verwenden, das ein in pytorch implementiertes neuronales Faltungsnetzwerk sein wird.

Eine umfangreiche Datenerweiterung ist erforderlich, um sicherzustellen, dass die Modelle robust gegenüber Änderungen in der Eingangsverteilung sind, da die gleichen Modelle wahrscheinlich auf neue Materialien angewendet werden. Dies beinhaltet geometrische Transformationen (Rotationen / Flips) und Farbtransformationen.

Sobald das Modell auf ein Bild angewendet wurde, wird eine Reihe von regelbasierten Kriterien angewendet. Dadurch wird der Schweregrad eines bestimmten Defekts bestimmt und ob die Probe als Ganzes verwendbar ist.

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo
ML-Talk buchen