劉海龍，王成祥，孟戰(zhàn)虎，康慧，王雨強(qiáng)，王星宇

（鄂爾多斯市源盛光電有限責(zé)任公司，內(nèi)蒙古 鄂爾多斯 017000）

近年來隨著面板行業(yè)競爭的加劇，作為自動化系統(tǒng)“眼睛”的自動光學(xué)檢查系統(tǒng)（AOⅠ，Automatic OpticalⅠnspection）開始逐步替換人工檢測對產(chǎn)品進(jìn)行定位、識別和缺陷檢測等工作，特別是在半導(dǎo)體、面板等高精密度檢查行業(yè)發(fā)揮著越來越重要的作用。同時隨著數(shù)字化、智能化及關(guān)燈工廠等新式工廠的提出和推廣，對設(shè)備、人員和管理的互聯(lián)也提出巨大挑戰(zhàn)，尤其是檢測設(shè)備之間的互聯(lián)，以便于設(shè)備和人員能夠快速識別不良等級以及預(yù)測其對產(chǎn)品良率的影響。

異物是TFT-LCD生產(chǎn)中的最大威脅，95%的產(chǎn)品不良率都與其有關(guān)，其中Cell異物占比是一大項(xiàng)。因此對于Cell異物的解決和有效控制有著重大實(shí)際意義[1]。但目前工廠對TFT-LCD異物的監(jiān)控和反饋主要還是依靠抽檢（VT&ET），同時對必要樣品進(jìn)行破片分析處理[2-3]，這種分析手法周期長、成本高。為此，新型監(jiān)控系統(tǒng)地提出，能有效整合現(xiàn)有資源，建立自動化監(jiān)控和反饋機(jī)制[4]，極大地減少異物溯源和處理時間。但由于各工藝段設(shè)備間的差異和檢查維度的不同，以及受高溫等影響導(dǎo)致的異物變形等情況，為異物精細(xì)化管理提出了難題。本文基于JMP數(shù)據(jù)分析對基于像素為單元輸出的設(shè)備進(jìn)行參數(shù)和檢出能力優(yōu)化及建立預(yù)測仿真模型，為完善和升級新監(jiān)控系統(tǒng)提供理論依據(jù)和數(shù)據(jù)支持。

1 現(xiàn)有AOⅠ設(shè)備檢查原理和存在問題

目前Cell對TFT和CF基板來料的在線監(jiān)控主要依據(jù)AOⅠ設(shè)備檢出，其通過高精度CCD鏡頭對基板進(jìn)行全面掃描，并生成灰度圖，然后通過周期對比法及閾值分割等檢出微觀異物。其速度快，精度高，能實(shí)現(xiàn)在線快速掃描檢測，但由于異物種類繁多，形狀不一，常規(guī)檢查設(shè)備通常以像素（像素大小由設(shè)備本身設(shè)計(jì)決定）的個數(shù)或者面積來標(biāo)記異物大小，這就導(dǎo)致其無法與后端檢測規(guī)格達(dá)成統(tǒng)一檢測基準(zhǔn)。同時，其檢測可能由于設(shè)備本身規(guī)則對異物尺寸進(jìn)行放大或縮小，如圖1所示，區(qū)域1和2未完全占滿一個像素單元，但是當(dāng)區(qū)域1或2的灰度值大于設(shè)定的閾值時，會作為一個完整像素輸出；反之，則系統(tǒng)不會將其標(biāo)定為異物像素點(diǎn)。

圖1 異物大小標(biāo)記

為避免這一現(xiàn)象的影響和完善Cell監(jiān)控系統(tǒng)的判斷和反饋機(jī)制。特提出借助大數(shù)據(jù)分析，統(tǒng)一設(shè)備間檢測維度，建立異物像素和實(shí)際尺寸的預(yù)測模型，同時利用JMP的預(yù)測建模單元進(jìn)行設(shè)備參數(shù)的優(yōu)化和設(shè)計(jì)，為Cell自動化監(jiān)控和反饋機(jī)制的建立提供數(shù)據(jù)支持。

2 參數(shù)的設(shè)計(jì)和優(yōu)化

現(xiàn)有設(shè)備將異物等級分為O（Over-Large）、L（Large）、M（Mid）和S（Small）4種等級，按照設(shè)定大小對不良進(jìn)行等級標(biāo)定，按照DEFECT（異物）發(fā)生個數(shù)輸出GLASS的判斷結(jié)果NG/OK。初始參數(shù)設(shè)計(jì)來源于廠商的經(jīng)驗(yàn)，沒有結(jié)合工廠實(shí)際產(chǎn)品異物的特征進(jìn)行設(shè)置，誤檢率較高，不利于現(xiàn)場工程師的實(shí)時判斷。充分研究設(shè)備基本功能和不良標(biāo)記原理后，基于JMP的聚類分析對不同型號的產(chǎn)品進(jìn)行SⅠZE（像素）-PEAK（強(qiáng)度）聚合分析，結(jié)果如圖2所示。

圖2 不同型號SⅠZE-PEAK間的聚類分析

結(jié)果表明：不同型號產(chǎn)品，最優(yōu)聚集區(qū)域劃分都有重疊區(qū)域，即就是相同尺寸（像素）對應(yīng)不同的強(qiáng)度值或相同強(qiáng)度值可對應(yīng)不同尺寸，但PEAK值（強(qiáng)度值）較大的聚集區(qū)對應(yīng)的均值為17 500以上，也就是圖2中（a）、（b）、（c）、（d）區(qū)域?qū)?yīng)位置。為此初始將強(qiáng)度值在17 500以上異物等級定為O/L級，將17 500以下的定為M/S級。

為了進(jìn)一步區(qū)分各等級尺寸設(shè)置，基于JMP預(yù)測建模中的分割分析，對SⅠZE-PEAK進(jìn)行分割分析。同類型不同型號產(chǎn)品分割分析最優(yōu)分割可分為四類，結(jié)果見表1。

表1 不同型號SⅠZE-PEAK間的分割分析

上述分析初步對異物等級進(jìn)行分割，無法量化各等級產(chǎn)生影響的程度。為此需借助JMP預(yù)測建模模塊對其發(fā)生概率進(jìn)行預(yù)測。

3 預(yù)測仿真模型建立和測試

神經(jīng)網(wǎng)絡(luò)本質(zhì)是一種回歸思想，也是高維模型的擬合。其在人工智能領(lǐng)域得到了飛躍式發(fā)展。其設(shè)計(jì)的基本原則是先確立網(wǎng)絡(luò)層數(shù)和節(jié)點(diǎn)數(shù)，然后通過訓(xùn)練結(jié)果分析（訓(xùn)練集和驗(yàn)證集）的R2衡量擬合效果。R2的范圍[0，1]，越接近于1，擬合效果越好，反之越差。通過多次擬合訓(xùn)練和循環(huán)迭代優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，使最終擬合到達(dá)最優(yōu)解。網(wǎng)絡(luò)層數(shù)一般選取1個隱藏層，節(jié)點(diǎn)數(shù)一般從3開始，逐步增加[5-6]。本次實(shí)驗(yàn)選取1個隱藏層和多個節(jié)點(diǎn)數(shù)進(jìn)行擬合。

測試結(jié)果顯示，1個隱藏層和7個節(jié)點(diǎn)為最優(yōu)擬合，見表2?；诒?結(jié)果，進(jìn)行擬合刻畫，結(jié)果如圖3所示。結(jié)果顯示像素尺寸145以下，SⅠZE和PEAK顯線性關(guān)系，即隨SⅠZE增大其強(qiáng)度PEAK隨之增大；200以上時為非線性關(guān)系，其隨SⅠZE增大，PEAK值不一定增大，此現(xiàn)象源于DEFECT越大，PEAK分布就越不均勻，越容易造成大的SⅠZE，相對小的PEAK值。

表2 不同節(jié)點(diǎn)數(shù)對擬合效果數(shù)據(jù)

圖3擬合刻畫器結(jié)果（如像素大小為70的異物點(diǎn)對應(yīng)的強(qiáng)度為17 661.32）

圖3 結(jié)果表明，像素尺寸為70時，其PEAK均值達(dá)到17 500以上，其結(jié)合圖2分析可知，可將70設(shè)定為L級判斷基準(zhǔn)。

為了驗(yàn)證等級對產(chǎn)品良率的影響概率，研究通過數(shù)據(jù)收集進(jìn)行二分類ROC分析。結(jié)果顯示AUC值為0.940，具有參考價(jià)值[7-8]。為了預(yù)測每個PEAK值的概率影響，將ROC曲線進(jìn)行逆預(yù)測分析，可知PEAK值大于13 400時，其對產(chǎn)品的影響概率是50%。PEAK值為17 481以上時，80%以上概率對產(chǎn)品造成影響；PEAK值大于23 409時95%以上概率會對產(chǎn)品造成影響；敏感度最大的切點(diǎn)（Cut-off point）為26 626；理想中可將Cut-off點(diǎn)設(shè)置為O級分界點(diǎn)，但實(shí)際中由于存在設(shè)備或產(chǎn)品偏差，需適當(dāng)降低設(shè)置標(biāo)準(zhǔn)。

依據(jù)圖4概率曲線和SⅠZE-PEAK預(yù)測曲線，作者給出設(shè)備基礎(chǔ)參數(shù)設(shè)定，結(jié)果見表3。同時須知，不同類型產(chǎn)品設(shè)定參數(shù)不同，需要區(qū)別制定檢測基準(zhǔn)，但方法如本文所示。以此還可建立異物尺寸不同維度間的對應(yīng)關(guān)系，統(tǒng)一設(shè)備間異物大小的衡量標(biāo)準(zhǔn)。AOⅠ檢出不良類型多樣，多為不規(guī)則形狀，目前模擬結(jié)果為±5 μm范圍類，可達(dá)72%左右的準(zhǔn)確率，如圖5所示。由于此類設(shè)備各種類型不良混合檢出，所以預(yù)測效果達(dá)到70%以上水平，認(rèn)為是達(dá)到預(yù)期的。如想進(jìn)一步提高擬合或預(yù)計(jì)精確度，需對不同類型不良進(jìn)行分類擬合，如異物、PⅠNHOLE（針孔類不良）、小黑點(diǎn)和凹點(diǎn)等。

圖4 ROC和概率預(yù)測曲線

表3 產(chǎn)品參數(shù)設(shè)定

圖5 預(yù)測值和實(shí)際值對比圖

4 結(jié)論

本文基于JMP數(shù)據(jù)分析軟件對基于像素為單元輸出的設(shè)備進(jìn)行參數(shù)和檢出能力優(yōu)化以及建立預(yù)測仿真模型。結(jié)果表明，新優(yōu)化參數(shù)能夠明顯提升設(shè)備分級能力和現(xiàn)場管控能力，同時量化各個等級對產(chǎn)品的影響概率，以及提供了一種AOⅠ參數(shù)的設(shè)計(jì)和優(yōu)化方法，避免傳統(tǒng)以經(jīng)驗(yàn)為主的主觀參數(shù)設(shè)置。同時，為此類設(shè)備的參數(shù)設(shè)定和管控以及Cell自動化監(jiān)控和反饋機(jī)制的建立提供理論和數(shù)據(jù)支持。