背景與客戶需求
一家領先的電子製造商在積體電路 (IC) 的封裝生產線上，面臨嚴峻的品質檢測瓶頸。該客戶原先使用超音波設備進行 IC 內部瑕疵檢測，但設備的「首件良率 (First Pass Yield, FPY)」僅約 50%。為了達到生產標準，作業人員必須進行大量的人工覆判，才能將 FPY 提升至 95%~98% 的目標。
該客戶急需一套自動化且具備智慧功能的視覺解決方案，以取代高耗能的人工覆判流程，不僅要提升檢測準確度，更要減輕現場作業人員的負荷。
面臨挑戰
嚴格的面積檢測閾值： 檢測標準極為精確。單一氣泡面積不得超過 IC 總面積的 3%，且所有氣泡面積總和不得超過 IC 總面積的 5%。
複雜的多層影像成像： 超音波掃描需評估兩層結構：第一層為 IC 氣泡，第二層則為錫焊層。
「映射 (Mapping)」干擾： 錫焊層的反射影像（即「映射」）常會投射至 IC 層，系統必須具備足夠的智慧，能正確辨識並將這些反射排除於瑕疵之外，判定為良品。
瑕疵形狀不規則： 氣泡的形狀隨機且多變，導致傳統規則式 (Rule-based) 的機器視覺難以精確計算其面積。
解決方案
為了克服上述挑戰，我們部署了 TM AI+ AOI Edge 解決方案，透過深度學習技術執行先進的影像分析與運算：
AI 語義分割 (Semantic Segmentation)
系統採用 TM AI Segmentation 技術，取代傳統視覺演算法。此神經網路能精準界定晶片邊界與不規則的不良區域。透過提取這些像素級的區域，AI 可精確計算瑕疵佔晶片面積的百分比，嚴格執行 3% 與 5% 的規範。
無縫自動化工作流
超音波設備輸出原始影像後，透過網路由 TM AI Edge 即時擷取。在 TMflow 軟體中，系統會自動調整影像對比度，使不良特徵更加顯著，確保 AI 模型能即時做出高準確度的判斷。
自動化訓練與迭代
該解決方案整合了強大的伺服器端 AI Trainer。作業人員可針對邊緣案例（如複雜的映射反射）進行覆判，並透過Auto AI Training功能(自動收集圖片、訓練模型、部署模型)，讓AI系統持續學習，越用越精準。
執行成果與效益
高精密品質控管： TM AI 解決方案自動化執行了繁複的數學運算，確認氣泡總面積是否符合 5% 及 3% 的嚴格公差，有效消除人工判讀的主觀誤差。
提升營運效率： AI 自動處理了超音波設備標記出的 50% 待確認零件，大幅降低人工覆判的人力需求，有效降低人事成本。
持續優化循環： 在導入初期，雖然複雜的「映射」反射仍會標記供人工確認，但透過閉環反饋機制，AI 模型能持續從作業人員的判定中學習，使生產線隨著時間推移達到更高的自動化水準。
結論
本案例展示了將專業檢測設備與TM AI+ AOI Edge結合，如何成功轉化深陷瓶頸的品質控管流程。透過 AI 語義分割技術與持續性的機器學習，我們為客戶提供了一套高精準度、自動化且具備擴充性的解決方案，有效解決 IC 檢測的複雜課題。
