基于JMP的AOⅠ檢測能力分析

劉海龍，王成祥，孟戰虎，康慧，王雨強，王星宇

（鄂爾多斯市源盛光電有限責任公司，內蒙古 鄂爾多斯 017000）

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

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

1 現有AOⅠ設備檢查原理和存在問題

目前Cell對TFT和CF基板來料的在線監控主要依據AOⅠ設備檢出，其通過高精度CCD鏡頭對基板進行全面掃描，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，能實現在線快速掃描檢測，但由于異物種類繁多，形狀不一，常規檢查設備通常以像素（像素大小由設備本身設計決定）的個數或者面積來標記異物大小，這就導致其無法與后端檢測規格達成統一檢測基準。同時，其檢測可能由于設備本身規則對異物尺寸進行放大或縮小，如圖1所示，區域1和2未完全占滿一個像素單元，但是當區域1或2的灰度值大于設定的閾值時，會作為一個完整像素輸出；反之，則系統不會將其標定為異物像素點。

圖1 異物大小標記

為避免這一現象的影響和完善Cell監控系統的判斷和反饋機制。特提出借助大數據分析，統一設備間檢測維度，建立異物像素和實際尺寸的預測模型，同時利用JMP的預測建模單元進行設備參數的優化和設計，為Cell自動化監控和反饋機制的建立提供數據支持。

2 參數的設計和優化

現有設備將異物等級分為O（Over-Large）、L（Large）、M（Mid）和S（Small）4種等級，按照設定大小對不良進行等級標定，按照DEFECT（異物）發生個數輸出GLASS的判斷結果NG/OK。初始參數設計來源于廠商的經驗，沒有結合工廠實際產品異物的特征進行設置，誤檢率較高，不利于現場工程師的實時判斷。充分研究設備基本功能和不良標記原理后，基于JMP的聚類分析對不同型號的產品進行SⅠZE（像素）-PEAK（強度）聚合分析，結果如圖2所示。

圖2 不同型號SⅠZE-PEAK間的聚類分析

結果表明：不同型號產品，最優聚集區域劃分都有重疊區域，即就是相同尺寸（像素）對應不同的強度值或相同強度值可對應不同尺寸，但PEAK值（強度值）較大的聚集區對應的均值為17 500以上，也就是圖2中（a）、（b）、（c）、（d）區域對應位置。為此初始將強度值在17 500以上異物等級定為O/L級，將17 500以下的定為M/S級。

為了進一步區分各等級尺寸設置，基于JMP預測建模中的分割分析，對SⅠZE-PEAK進行分割分析。同類型不同型號產品分割分析最優分割可分為四類，結果見表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行分割，無法量化各等級產生影響的程度。為此需借助JMP預測建模模塊對其發生概率進行預測。

3 預測仿真模型建立和測試

神經網絡本質是一種回歸思想，也是高維模型的擬合。其在人工智能領域得到了飛躍式發展。其設計的基本原則是先確立網絡層數和節點數，然后通過訓練結果分析（訓練集和驗證集）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。通過多次擬合訓練和循環迭代優化網絡結構，使最終擬合到達最優解。網絡層數一般選取1個隱藏層，節點數一般從3開始，逐步增加[5-6]。本次實驗選取1個隱藏層和多個節點數進行擬合。

測試結果顯示，1個隱藏層和7個節點為最優擬合，見表2。基于表2結果，進行擬合刻畫，結果如圖3所示。結果顯示像素尺寸145以下，SⅠZE和PEAK顯線性關系，即隨SⅠZE增大其強度PEAK隨之增大；200以上時為非線性關系，其隨SⅠZE增大，PEAK值不一定增大，此現象源于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 不同節點數對擬合效果數據

圖3擬合刻畫器結果（如像素大小為70的異物點對應的強度為17 661.32）

圖3 結果表明，像素尺寸為70時，其PEAK均值達到17 500以上，其結合圖2分析可知，可將70設定為L級判斷基準。

為了驗證等級對產品良率的影響概率，研究通過數據收集進行二分類ROC分析。結果顯示AUC值為0.940，具有參考價值[7-8]。為了預測每個PEAK值的概率影響，將ROC曲線進行逆預測分析，可知PEAK值大于13 400時，其對產品的影響概率是50%。PEAK值為17 481以上時，80%以上概率對產品造成影響；PEAK值大于23 409時95%以上概率會對產品造成影響；敏感度最大的切點（Cut-off point）為26 626；理想中可將Cut-off點設置為O級分界點，但實際中由于存在設備或產品偏差，需適當降低設置標準。

依據圖4概率曲線和SⅠZE-PEAK預測曲線，作者給出設備基礎參數設定，結果見表3。同時須知，不同類型產品設定參數不同，需要區別制定檢測基準，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關系，統一設備間異物大小的衡量標準。AOⅠ檢出不良類型多樣，多為不規則形狀，目前模擬結果為±5 μm范圍類，可達72%左右的準確率，如圖5所示。由于此類設備各種類型不良混合檢出，所以預測效果達到70%以上水平，認為是達到預期的。如想進一步提高擬合或預計精確度，需對不同類型不良進行分類擬合，如異物、PⅠNHOLE（針孔類不良）、小黑點和凹點等。

圖4 ROC和概率預測曲線

表3 產品參數設定

圖5 預測值和實際值對比圖

4 結論

本文基于JMP數據分析軟件對基于像素為單元輸出的設備進行參數和檢出能力優化以及建立預測仿真模型。結果表明，新優化參數能夠明顯提升設備分級能力和現場管控能力，同時量化各個等級對產品的影響概率，以及提供了一種AOⅠ參數的設計和優化方法，避免傳統以經驗為主的主觀參數設置。同時，為此類設備的參數設定和管控以及Cell自動化監控和反饋機制的建立提供理論和數據支持。