AI晶圆表面缺陷复判定制：低对比度成像与误报抑制

晶圆缺陷检测的难点不在“看见”，而在低对比度缺陷与真实噪声、工艺纹理的区分。某类划痕、微尘、膜层针孔在明场下灰度差常低于5%，直接套通用缺陷检测模型，过杀率很容易超过3%。定制时应先把成像方案做成可量化项：根据最小缺陷尺寸反推镜头分辨率与像素当量，组合同轴、暗场、低角度环形光，分别记录缺陷信噪比与背景均匀性；必要时用多曝光HDR或偏振片抑制金属反光。数据侧不要只收OK/NG图，需同步保存晶圆ID、道次、设备腔体、光源参数和复判结论，让模型学习工艺漂移。模型可采用“分割候选+分类复判”两级结构，候选阶段用高召回阈值，复判阶段用轻量网络对候选块分类，并加入无缺陷样本的异常检测分支。部署在边缘工控机或GPU盒，单帧推理控制在30ms内，输出缺陷类别、坐标、置信度和复判建议，通过SECS/GEM或MES接口回传。验收看三点：漏检率、过杀率、复判一致率，而不是只看准确率。上线后按周收集误报样本，做增量训练与阈值回归，才能把误报压到可接受范围。