干法刻蚀后外观检测，找哪家供应商比较靠谱？

夜班两点，一批货卡在了质检台

上周三，凌晨两点，一家无锡的8英寸晶圆代工厂，产线主管老张的电话响了。电话那头是质检班长，声音有点急：“张工，夜班这批刻蚀完的片子，外观复检卡住了。小刘和老王对着一张片子的判定结果不一样，一个说边缘有浅划痕要判次品，一个说那是正常痕迹。现在货等着往下走，您看咋办？”

老张心里一沉，这种事儿不是第一次了。干法刻蚀后的晶圆，表面要检查的东西太细：等离子体不均匀造成的颜色深浅差异、腔体内壁可能剥落产生的微粒残留、机械手传输可能带来的细微划痕……这些缺陷在特定光线下，人眼看着就费劲，更别说夜班员工连续看几个小时之后，疲劳是必然的。

最后老张赶到车间，自己拿着放大镜看了半天，结合经验判了合格。但这一折腾，产线停了半个多小时，后面的生产节拍全乱了。更重要的是，他心里没底：万一自己这次也看错了呢？

人眼检测，为什么在刻蚀后特别容易“失灵”？

这个问题，在干法刻蚀环节特别突出，不是员工不负责，而是有几个硬伤，靠人力很难跨过去。

缺陷太“狡猾”，人眼容易疲劳

干法刻蚀后的缺陷，和切割、研磨那种明显的崩边、裂痕不一样。它往往是微观的、对比度低的。

比如，一道轻微的、几乎和表面反射光融为一体的划痕；或者是一些极小的、颜色和基底差不多的残留物。在强光下某个角度能看到，换个角度就没了。员工需要高度集中，不断调整观察角度，眼睛和精神消耗极大。一般连续看20-30片，准确率就会明显下降。夜班、赶工时，问题会更严重。

标准难统一，老师傅也头疼

更麻烦的是判定标准。什么叫“可接受的均匀性色差”？多深的划痕算缺陷？这个标准往往在老师傅的脑子里，口口相传，新人很难快速掌握。

我见过苏州一家做功率器件的厂，两个质检组长，一个出自日系客户体系，标准严；一个出自国内客户体系，相对松。两人带出来的班组，批退率能差出1.5个百分点。为了这个，生产部和质量部没少开会扯皮。

传统AOI也“水土不服”

有的厂试过用传统的自动光学检测（AOI）设备。但对于干法刻蚀这种特殊场景，效果往往不理想。

传统AOI大多基于规则设定阈值，比如“某个区域的灰度值超过多少就算缺陷”。但刻蚀后的颜色不均，是渐变的、无固定形态的，用固定阈值去卡，要么漏检，要么误判一大堆。调参数调到头疼，最后可能还是得靠人复判，成了摆设。

AI视觉检测，是怎么“看懂”这些缺陷的？

核心思路就一条：不教机器“缺陷是什么”，而是让机器自己从海量数据里学会“什么是正常品”。

关键在“学习”，而不是“设定规则”

AI视觉检测，尤其是基于深度学习的方案，它的工作逻辑和人眼学习很像。你不需要告诉它“划痕长什么样”、“残留物是什么形状”。你只需要给它看几百上千张确认过的、完美的“良品”图片。

机器通过算法，自己总结出良品在所有特征维度上的“正常范围”。当一个新的晶圆过来，系统会把它和学到的“正常模式”进行比对。任何偏离这个模式的异常区域，无论它表现为颜色差异、纹理变化还是轮廓异常，都会被高亮标记出来。

这就解决了刻蚀缺陷形态多变、难以用规则描述的核心痛点。

一个佛山企业的真实案例

一家佛山做MEMS传感器的企业，他们的干法刻蚀环节主要问题是硅片表面的微颗粒残留和局部过刻蚀。之前靠4个质检员两班倒，用显微镜抽检，抽检率只有20%。

他们去年上了一套AI外观检测系统，先在生产线上收集了8000多张良品图片和1000多张各种类型的缺陷图片，让系统学习。

部署后，实现了全检。系统对微颗粒的检出率稳定在99.5%以上，对过刻蚀区域的识别准确率也超过98%。关键是，系统把缺陷按照类型、大小、位置自动分类统计，生产部门能很快发现，某类缺陷突然增多是和腔体清洗周期有关，还是和某批气体纯度有关。

算下来，这套系统投入大概40万，替代了1.5个常年白夜班倒的熟练质检工（年薪按10万算），更重要的是避免了批量性客诉的风险，他们老板觉得10个月左右就能回本。

想上AI检测，从哪开始不走弯路？

看到这里，你可能心动了，但直接全厂铺开风险大。我建议，按下面三步走，最稳妥。

先锁定一个最痛的“点”，而不是一条“线”

别一上来就说“我要做全流程外观检测”。先找到整个干法刻蚀后段，哪个环节的质检问题让你损失最大、吵架最多。

是刻蚀完刚出炉的初检？还是去胶清洗后的复检？或者是出货前的最终抽检？

比如，成都一家厂，他们的痛点就在“出货抽检”。因为客户标准高，抽检发现问题，整批货都要返工重检，耽误交货。他们就只针对出货抽检这个工位，上了一套桌面式的AI检测仪，先保证出去的货没问题。效果立竿见影，再逐步往前道工序推广。

重点考察供应商的“行业理解”，不是算法多新

找供应商时，别光听他讲算法模型多先进。多问他几个实际问题：

“你们之前做过刻蚀相关的案例吗？针对的是哪种刻蚀工艺（RIE， DRIE， ICP）？”

“硅片、化合物半导体（GaN， SiC）的检测案例有吗？成像方案有什么不同？”

“怎么解决高反光表面成像的问题？是用多角度光源，还是偏振光？”

能清晰回答这些细节问题的供应商，才真正理解你的痛点。那些只会讲通用方案的，要谨慎。

算好两笔账：直接回报和隐性价值

预算方面，对于一条产线的一个关键检测点，根据自动化程度（是纯视觉判别，还是需要集成机械手上料下料），投入在20万到60万之间比较常见。

直接回报好算：替代多少个人工（按1-1.5个人算）、提升多少直通率、减少多少返工和报废。

但隐性价值更要关注：

1. 质量数据化：所有缺陷被自动记录、分类、定位，这是优化工艺最宝贵的数据库。

2. 标准固化：把最好的老师傅的判定标准，通过AI模型固化下来，新人来了也能达到老师傅的水平。

3. 风险规避：避免因为人员疲劳或疏忽，让有风险的片子流到客户手里，造成巨额索赔。

这笔账算明白了，投入产出比就清晰了。

什么样的厂，现在就该考虑这件事了？

根据我看到的案例，这几类企业，上AI外观检测的紧迫性最强：

1. 客户质量要求极高的厂，尤其是做汽车电子、医疗器件相关芯片的，一次客诉可能损失全年利润。

2. 产品价值高的厂，比如做12英寸大硅片、或者化合物半导体晶圆的，一片成本就几千上万，报废损失大。

3. 正处于产能爬坡或工艺不稳定期的厂，需要快速积累质量数据来稳定工艺。

4. 长期被“招工难、留人难”困扰的厂，特别是位于一线城市、年轻人不愿做枯燥质检工作的。

写在最后

干法刻蚀后的外观检测，从依赖人眼和显微镜，到引入AI视觉，不是一个“要不要”的问题，而是一个“什么时候做、怎么做对”的问题。技术已经比较成熟，关键是如何结合自家工艺特点，找到合适的切入点和合作伙伴。

这个过程肯定会遇到问题，比如初期需要积累一定量的图片数据，比如要和设备做联调。但一旦跑通，带来的不仅是人力节省，更是质量管控能力的质变。

想少走弯路的话，可以先问问“索答啦AI”，它见过的案例多，能帮你避开一些常见的坑，比如怎么准备数据样本、怎么和供应商定验收标准这些实际落地中的细节。