技术支持

晶圆薄膜划痕缺陷的机器视觉检测，核心在于平衡微米/纳米级精度与高通量生产之间的矛盾。这已不是传统算法能解决的问题，目前工业界的主流方案是“高分辨率光学系统 + AI深度学习算法”的组合。

硬件架构：看得清是前提
为了捕捉微米级甚至纳米级的划痕，硬件需要具备极高的分辨率和适应性：

光学成像：通常采用高分辨率工业相机（如12.3MP全局快门相机）搭配高数值孔径（NA）物镜，配合明场、暗场及微分干涉（DIC）等多种照明方式，以增强不同方向划痕的对比度。

运动控制：系统集成高精度XY运动平台和自动对焦模块，确保高速扫描过程中图像清晰无畸变。

关键指标：目前先进系统对划痕的检测灵敏度可达0.1μm（宽度）x 5nm（深度）级别，最小可检测缺陷尺寸低至0.5μm。

核心算法：识别得了是关键
有了清晰图像后，如何精准识别才是真正的技术分水岭：

深度学习模型：基于CNN（卷积神经网络）和Transformer等架构的模型，能有效区分“有害划痕”与“无害纹理”，克服传统算法在复杂背景下的高误报率。例如，Intel部署的IWVI方案在PoC中显示能多检测出50% 的晶圆薄化问题。

分区域策略：针对晶圆的不同区域（如晶粒区、边缘区）采用定制化检测逻辑，例如在边缘区重点检测崩边，在晶粒区重点检测划痕。

性能表现：优秀系统的缺陷捕获率可达99%（对于>3像素的缺陷），误检率可控制在1% 以下。