刘海龙，王成祥，孟战虎，康慧，王雨强，王星宇

（鄂尔多斯市源盛光电有限责任公司，内蒙古 鄂尔多斯 017000）

近年来随着面板行业竞争的加剧，作为自动化系统“眼睛”的自动光学检查系统（AOⅠ，Automatic OpticalⅠnspection）开始逐步替换人工检测对产品进行定位、识别和缺陷检测等工作，特别是在半导体、面板等高精密度检查行业发挥着越来越重要的作用。同时随着数字化、智能化及关灯工厂等新式工厂的提出和推广，对设备、人员和管理的互联也提出巨大挑战，尤其是检测设备之间的互联，以便于设备和人员能够快速识别不良等级以及预测其对产品良率的影响。

异物是TFT-LCD生产中的最大威胁，95%的产品不良率都与其有关，其中Cell异物占比是一大项。因此对于Cell异物的解决和有效控制有着重大实际意义[1]。但目前工厂对TFT-LCD异物的监控和反馈主要还是依靠抽检（VT&ET），同时对必要样品进行破片分析处理[2-3]，这种分析手法周期长、成本高。为此，新型监控系统地提出，能有效整合现有资源，建立自动化监控和反馈机制[4]，极大地减少异物溯源和处理时间。但由于各工艺段设备间的差异和检查维度的不同，以及受高温等影响导致的异物变形等情况，为异物精细化管理提出了难题。本文基于JMP数据分析对基于像素为单元输出的设备进行参数和检出能力优化及建立预测仿真模型，为完善和升级新监控系统提供理论依据和数据支持。

目前Cell对TFT和CF基板来料的在线监控主要依据AOⅠ设备检出，其通过高精度CCD镜头对基板进行全面扫描，并生成灰度图，然后通过周期对比法及阈值分割等检出微观异物。其速度快，精度高，能实现在线快速扫描检测，但由于异物种类繁多，形状不一，常规检查设备通常以像素（像素大小由设备本身设计决定）的个数或者面积来标记异物大小，这就导致其无法与后端检测规格达成统一检测基准。同时，其检测可能由于设备本身规则对异物尺寸进行放大或缩小，如图1所示，区域1和2未完全占满一个像素单元，但是当区域1或2的灰度值大于设定的阈值时，会作为一个完整像素输出；
反之，则系统不会将其标定为异物像素点。

图1 异物大小标记

为避免这一现象的影响和完善Cell监控系统的判断和反馈机制。特提出借助大数据分析，统一设备间检测维度，建立异物像素和实际尺寸的预测模型，同时利用JMP的预测建模单元进行设备参数的优化和设计，为Cell自动化监控和反馈机制的建立提供数据支持。

现有设备将异物等级分为O（Over-Large）、L（Large）、M（Mid）和S（Small）4种等级，按照设定大小对不良进行等级标定，按照DEFECT（异物）发生个数输出GLASS的判断结果NG/OK。初始参数设计来源于厂商的经验，没有结合工厂实际产品异物的特征进行设置，误检率较高，不利于现场工程师的实时判断。充分研究设备基本功能和不良标记原理后，基于JMP的聚类分析对不同型号的产品进行SⅠZE（像素）-PEAK（强度）聚合分析，结果如图2所示。

图2 不同型号SⅠZE-PEAK间的聚类分析

结果表明：不同型号产品，最优聚集区域划分都有重叠区域，即就是相同尺寸（像素）对应不同的强度值或相同强度值可对应不同尺寸，但PEAK值（强度值）较大的聚集区对应的均值为17 500以上，也就是图2中（a）、（b）、（c）、（d）区域对应位置。为此初始将强度值在17 500以上异物等级定为O/L级，将17 500以下的定为M/S级。

为了进一步区分各等级尺寸设置，基于JMP预测建模中的分割分析，对SⅠZE-PEAK进行分割分析。同类型不同型号产品分割分析最优分割可分为四类，结果见表1。

表1 不同型号SⅠZE-PEAK间的分割分析

上述分析初步对异物等级进行分割，无法量化各等级产生影响的程度。为此需借助JMP预测建模模块对其发生概率进行预测。

神经网络本质是一种回归思想，也是高维模型的拟合。其在人工智能领域得到了飞跃式发展。其设计的基本原则是先确立网络层数和节点数，然后通过训练结果分析（训练集和验证集）的R2衡量拟合效果。R2的范围[0，1]，越接近于1，拟合效果越好，反之越差。通过多次拟合训练和循环迭代优化网络结构，使最终拟合到达最优解。网络层数一般选取1个隐藏层，节点数一般从3开始，逐步增加[5-6]。本次实验选取1个隐藏层和多个节点数进行拟合。

测试结果显示，1个隐藏层和7个节点为最优拟合，见表2。基于表2结果，进行拟合刻画，结果如图3所示。结果显示像素尺寸145以下，SⅠZE和PEAK显线性关系，即随SⅠZE增大其强度PEAK随之增大；
200以上时为非线性关系，其随SⅠZE增大，PEAK值不一定增大，此现象源于DEFECT越大，PEAK分布就越不均匀，越容易造成大的SⅠZE，相对小的PEAK值。

表2 不同节点数对拟合效果数据

图3拟合刻画器结果（如像素大小为70的异物点对应的强度为17 661.32）

图3 结果表明，像素尺寸为70时，其PEAK均值达到17 500以上，其结合图2分析可知，可将70设定为L级判断基准。

为了验证等级对产品良率的影响概率，研究通过数据收集进行二分类ROC分析。结果显示AUC值为0.940，具有参考价值[7-8]。为了预测每个PEAK值的概率影响，将ROC曲线进行逆预测分析，可知PEAK值大于13 400时，其对产品的影响概率是50%。PEAK值为17 481以上时，80%以上概率对产品造成影响；
PEAK值大于23 409时95%以上概率会对产品造成影响；
敏感度最大的切点（Cut-off point）为26 626；
理想中可将Cut-off点设置为O级分界点，但实际中由于存在设备或产品偏差，需适当降低设置标准。

依据图4概率曲线和SⅠZE-PEAK预测曲线，作者给出设备基础参数设定，结果见表3。同时须知，不同类型产品设定参数不同，需要区别制定检测基准，但方法如本文所示。以此还可建立异物尺寸不同维度间的对应关系，统一设备间异物大小的衡量标准。AOⅠ检出不良类型多样，多为不规则形状，目前模拟结果为±5 μm范围类，可达72%左右的准确率，如图5所示。由于此类设备各种类型不良混合检出，所以预测效果达到70%以上水平，认为是达到预期的。如想进一步提高拟合或预计精确度，需对不同类型不良进行分类拟合，如异物、PⅠNHOLE（针孔类不良）、小黑点和凹点等。

图4 ROC和概率预测曲线

表3 产品参数设定

图5 预测值和实际值对比图

本文基于JMP数据分析软件对基于像素为单元输出的设备进行参数和检出能力优化以及建立预测仿真模型。结果表明，新优化参数能够明显提升设备分级能力和现场管控能力，同时量化各个等级对产品的影响概率，以及提供了一种AOⅠ参数的设计和优化方法，避免传统以经验为主的主观参数设置。同时，为此类设备的参数设定和管控以及Cell自动化监控和反馈机制的建立提供理论和数据支持。

猜你喜欢 异物概率尺寸 CIIE Shows Positive Energy of Chinese EconomyChina’s foreign Trade(2021年6期)2021-12-26食管异物不可掉以轻心中老年保健(2021年9期)2021-08-24如何处理异物进入眼睛小雪花·成长指南(2021年6期)2021-08-18概率与统计(一)新世纪智能(数学备考)(2021年4期)2021-08-06概率与统计(二)新世纪智能(数学备考)(2021年4期)2021-08-06概率与统计(1)中学生数理化·高三版(2021年3期)2021-05-14概率与统计(2)中学生数理化·高三版(2021年3期)2021-05-14眼耳鼻进异物咋处理文萃报·周二版(2018年22期)2018-09-18D90:全尺寸硬派SUV汽车与新动力(2017年3期)2017-06-29佳石选赏中华奇石(2015年7期)2015-07-09