彩膜微觀缺陷修補自動化實現和效率提升

蔣 遷，王 旭，王蘭健，何晨彤，武占英，董宏達，李海飛

(北京京東方顯示技術有限公司，北京 100176)

1 引 言

隨著工業4.0、中國制造2025戰略提出，制造業正逐步朝著自動化、智能化發展[1]。TFT-LCD產業制程本身是高度自動化的[2～6]，其人力投入主要分為兩部分：維護設備正常運轉的工程師和對產品品質進行檢測、修復的作業員，而后者的人數是前者的數倍之多。實際上，作業員進行的檢測、修復等作業內容相對簡單、單一，如果該部分作業能實現設備自動化，能節省大量的人力成本，提高作業效率。

本文對8.5代線彩膜(Color Filter，CF)工廠的微觀缺陷修補工位進行研究，檢討無人化可行性，并研究設備自動化運營邏輯，最終將自動修補邏輯寫入設備軟件，實現了修補工序自動化。

2 CF工藝流程和微觀缺陷修補方式

2.1 CF工藝流程

TFT-LCD制程可以分為陣列(Array)、彩膜(CF)、對盒(Cell)、模組(Module)4部分，其中CF段良率最高，一般產品均在99.5%以上。高良率與CF的微觀缺陷修補工藝密不可分[7]，如圖1所示，在CF黑矩陣(Black Matrix，BM)、色阻(RGB)、柱狀物(Photo Spacer，PS)工序完成后，均可對相應膜層的微觀缺陷進行修補，提升良率。

圖1 CF工藝流程Fig.1 Process flow of color filter

2.2 CF微觀缺陷種類和修補方式

根據不同的劃分原則，可以對CF微觀缺陷進行多種劃分。從產生工序區分，可以分為BM缺陷、RGB缺陷、OC缺陷、PS缺陷；從缺陷形態區分，可以分為異物類、纖維類、PR殘留類、劃傷類、掉膜類等等；從缺陷檢測原理區分，可以分為黑缺陷和白缺陷。由于微觀缺陷的修補是基于缺陷的檢出進行的，本文僅以黑缺陷和白缺陷分類對缺陷進行區分。

CF采用自動光學檢測機(Automatic Optical Inspection，AOI)對微觀缺陷進行檢測，當AOI自動檢測時，機器通過一排CCD自動掃描基板，采集圖像，經過圖像處理，進行單周期Pitch比較，從而檢查出基板上的缺陷。缺陷檢出采用5點比對法，如圖2中5個點，假設其灰階為A1、A2、A3、A4、A5，其中A2、A3、A4、A5為參考點，A1為比較點。取上述5個點中間值(假設這5點的灰階大小關系為A2

當 |A1-A5| > 設定閾值， A1點為缺陷點；

當 |A1-A5| < 設定閾值， A1點為正常點。

當A1>A5時，為黑缺陷；反之為白缺陷。通常黑缺陷為金屬異物、PR殘留、纖維等，白缺陷為膜層缺失。

圖2 AOI檢測原理Fig.2 Inspect principle of AOI

CF修補方式有3種：研磨(Tape)、激光(Laser)和填色(Ink)。實際生產中，研磨用于磨掉膜上的黑缺陷，激光用于去除BM膜層PR殘留和RGB白缺陷填色前規整圖形準備，填色是在激光去除缺陷后，在相應位置處填補上RGB色阻，3種修補方式效果如圖3～圖5所示。

圖3 研磨修補Fig.3 Tape repair

圖4 激光修補Fig.4 Laser repair

圖5 激光和填色修補Fig.5 Laser and ink repair

3 CF微觀缺陷修補自動化實現

CF微觀缺陷人工修補流程如圖6所示，基板經過AOI檢測后，AOI將所檢測的缺陷信息，包括：(1)不良面積；(2)不良坐標(X、Y)；(3)不良種類(黑缺Reflect Black，RB；白缺Transmit White，TW)；(4)不良數量；(5)不良尺寸(ΔX、ΔY、最大長度)；(6)灰階差值(Bright2)等6部分上傳到服務器上。當基板流經修補設備時，修補設備從服務器提取缺陷信息并逐一提示作業員，作業員根據提示，逐一手動操作鏡頭移動至缺陷點坐標處，肉眼確認是否存在真缺陷以及真缺陷類型，并手動點擊缺陷中心位置，讓修補設備移動至該位置，針對不同類型的缺陷進行相應的研磨、激光或填色作業，值得一提的是，填色作業也是需要人眼識別顏色后選擇紅、綠、藍或者黑色墨盒進行填色。

圖6 微觀缺陷人工修補流程Fig.6 Process flow of micro-defect repair by human

要想實現自動化修補，即用設備替代人工進行缺陷類型判定、缺陷精確位置查找、修補方式選擇等工作。AOI只提供了缺陷類型、面積、尺寸和坐標，還有極低的誤檢性(把假缺陷檢測成真缺陷)，如何讓修補設備像人眼一樣“認出”缺陷并選擇正確的方式進行作業呢？尤其填色作業的時候，設備如何像人眼一樣“認出”顏色呢？

本文中提出最小循環標準圖像比對法解決這一問題。CF圖形是循環重復排列的，選擇最小不重復的一組正常區域作為標準圖像，將被檢測區域同樣劃分為N個小區域，逐一與標準圖像進行比對，則可以發現缺陷并確認缺陷類型，最后選擇修補作業。以下結合各具體修補工序進行闡述。

3.1 BM后微觀缺陷自動修補實現

BM工藝之后，僅對黑缺陷進行自動激光修補，基板進入修補設備后，修補鏡頭和修補單元可根據AOI提供的坐標移動至缺陷點附近，接下來是如何識別缺陷的準確位置和使用激光作業。

將像素的最小子循環圖像設置成標準圖像，并在框內設置幾個激光區域。鏡頭移動至缺陷點坐標后，使用2倍鏡頭自動對焦，然后逐一區域進行與最小循環單元比對，比對結果一致默認為無缺陷，進行下一區域比對，當比對結果不一致時，則找到了缺陷。當視野內未找到缺陷時，設備會報警，提示人員進行確認，是否為AOI誤檢。找到缺陷后，設備切換20倍鏡頭再次對焦和比對，確認缺陷的精確位置，然后執行激光動作。

圖7 BM工藝后自動修補設置Fig.7 Setting of auto repair after BM process

如圖7所示，對于該產品，設置2個子像素為最小循環單元，并在最小循環單元內設置2個激光框。圖7中的圓形黑缺陷，設備經過2倍鏡圖像比對后找到缺陷，切換20倍鏡頭再次比對，識別缺陷準確位置在最小循環單元的左側，并位于激光框1中，接下來執行預設好的Laser1框的激光動作(包括使用的激光能量和激光框面積)。執行完1次之后再次進行圖像比對，比對結果一致認為修補完成，切換2倍鏡移動至下一缺陷點，如果比對結果不一致，認為激光修復一次不能將缺陷完全去除，再次進行激光動作，兩次之后仍然有缺陷，認為出現異常，設備報警提示人員確認(一般情況下，兩次激光能完成修補)。

BM工藝后自動修補流程如圖8所示。

圖8 BM自動修補流程圖Fig.8 Auto repair process flow of BM repair

3.2 RGB后微觀缺陷自動修補實現

RGB工藝之后，需要修補的缺陷分為黑缺陷(RB)和白缺陷(TW)兩種，修補設備根據從AOI提取的缺陷信息RB或TW，選擇不同的作業。

同BM工藝后的修補一樣，RGB工藝后的修補也需要設置最小循環單元，以便設備進行缺陷比對查找。此外，RGB像素的填色作業涉及不同顏色的墨盒選擇，也是通過圖像比對實現的。

圖9 RGB工藝后自動修補設置Fig.9 Setting of auto repair after RGB process

如圖9所示，對于該產品，設置2組RGB像素為最小循環單元，并在最小循環單元內設置6個激光框。在一個最小循環內，設置R、G、B像素開口區填色作業時選擇對應的紅、綠、藍色的墨盒，其余區域選擇黑色墨盒。圖9中位于R像素內部的黑缺陷，設備經過2倍鏡圖像比對后找到缺陷，首先進行測高，如果高度在規格內(各產品規格不同)，判定OK，進行下一個缺陷點修補；如果高度超出規格，則進行研磨作業，研磨后再次測高，如果一次研磨后高度在規格內，判定OK，進行下一個缺陷點修補；如果一次研磨后高度超出規格，則再次進行研磨作業，研磨后再次測高，如果二次研磨后高度在規格內，判定OK，進行下一個缺陷點修補；如果二次研磨后高度仍然超出規格，則切換20倍鏡進行激光+填色作業。切換20倍鏡頭后通過比對識別缺陷準確位置在激光框2中，應該填充紅色墨盒。接下來執行預設好的激光和填色動作。切換2倍鏡再次比對，比對結果一致，認為修補完成，移動至下一缺陷點，否則設備報警，提示人員確認。RGB工藝后自動修補流程如圖10所示。

圖10 RGB自動修補流程圖Fig.10 Auto repair process flow of RGB repair

3.3 PS后微觀缺陷自動修補實現

BM工藝和RGB工藝產生的微觀缺陷已經在前工藝完成了修補，至PS工藝后，可進行修補的缺陷為OC膜上的黑缺陷，其修補邏輯和方法與RGB工藝產生的黑缺陷類此，在此不再贅述。

將上述修補邏輯分別寫入修補設備軟件，可實現各工序的自動修補。以PS 修補良率進行統計，自動化修補成功率為99.8%，與人工修補成功率99.9%相當，滿足生產需求(>99.5%)。8.5代線CF工廠修補設備共10組，自動修補導入前后機組和人員配置如表1所示，自動導入完成后，修補人員從20人降低為7人，主要進行設備報警處理和異常情況對應，節省人力13人。

表1 修補機組和人員配置Tab.1 Arrangement of repair equipment and personnel

4 CF微觀缺陷自動化修補效率的提升

圖11 各工序修補時間/卡夾Fig.11 Repair time per cassette of each repair process

雖然所有的基板都存在大小不一的缺陷，但并不是所有的缺陷都需要修補。圖11統計了隨機10個卡夾(一個卡夾40 sh基板)自動修補所需要的時間，BM、RGB、PS 平均修補一個卡夾需要時間分別為29，42，53 min,其中存在著部分時間浪費。例如有些缺陷由于其面積非常小，經過實際驗證不會對顯示造成任何影響，是可以不修補的，也就是所謂的缺陷容忍度。而還有一些缺陷則是過大，無法進行修補，可以直接進行NG(Not Good)判定，也是無須進行修補的。這些無須經過修補的基板也進入修補設備勢必造成產能浪費，通過給AOI設備添加基板判定功能，可以解決這個問題。

AOI每檢測完一張基板后，得到基板所有的缺陷信息。對這些信息進行篩選判定，沒有任何一個缺陷達到修補基準的，AOI給該基板判定Code“Good”；缺陷過多過大無法修補的，AOI給該基板判定Code“Rework”；而需要進行修補的給予其他Code，并對不同Code的基板單獨收集，進入到不同的下游，具體運營如圖12～14所示。

圖12 BM 修補自動分片示意圖Fig.12 Auto sorting of BM repair

圖12為BM 修補自動分片流程圖，BM 修補只進行激光修補，基板經過AOI后，AOI給基板G(無須修補)、R(無法修補)、Q(進行Laser修補)3種判級，進入修補設備前，無缺陷基板收集在一起進行下一工藝，R基板收集在一起進行返工作業，Q基板進入設備進行激光修補。

圖13為RGB 修補自動分片流程圖，RGB 修補進行研磨和填色修補，基板經過AOI后，AOI給基板G(無須修補)、R(無法修補)、Q(進行研磨修補)和C(進行填色修補)4種判級。

圖14為PS 修補自動分片流程圖，同BM類似，分為G、R、Q 3種，Q進行研磨作業。

圖14 PS 修補自動分片示意圖Fig.14 Auto sorting of RGB repair

圖15 優化前后各工序修補時間/卡夾Fig.15 Repair time per cassette of each repair process before and after optimization

經過AOI自動判級后，BM 修補、RGB 修補和PS 修補分別有70%、35%和14%的玻璃直通，這部分玻璃不經過修補設備，節省了修補時間，圖15為優化前后各工序修補時間，優化后BM、RGB、PS 平均修補一個卡夾需要時間分別為22，37，50 min,分別減少了7，5，3 min，減少量分別為24%、12%和6%。

5 結 論

本文根據制造業智能化、自動化的發展趨勢，提出了CF修補工序自動化，介紹了微觀修補方式，檢討了自動修補邏輯和可行性，并在8.5代線CF工廠中實現了設備自動修補，將修補工序作業員由20人降低為7人，節省人力13人，節省量65%。此外，通過賦予檢測設備給基板判級功能，使不需要修補的基板不進入修補設備，進一步優化基板流向和設備負荷，優化后，BM、RGB、PS 修補分別有70%、35%和14%的玻璃直通，平均修補一個卡夾的時間分別減少了24%、12%和6%。經與其他世代線CF工廠對標，本文所闡述的邏輯可平行推廣至其他生產線，節省人力成本，提高自動化程度。