16、半导体组装与封装过程中的自动化异常检测

半导体组装与封装过程中的自动化异常检测

1. 引言与背景

在当今社会，电子产品愈发重要，这使得半导体制造的复杂度和质量要求不断提升。虽然半导体制造配备了众多传感器来监控生产过程，但缺乏有效利用这些数据的方法。因此，需要新的方法来帮助质量和工程人员在生产过程中发现偏差，避免高昂的生产损失以及客户投诉。

基于机器学习的异常检测（AD）是一种强大的工具，它不仅可以指出单个异常值，还能发现生产过程和材料中的系统性变化。之后，可以对这些偏差进行分析，标记数据以找出不同类型偏差的根本原因。优化工业流程的成功因素之一是自动异常检测、监督学习或两者结合，这有助于预防生产缺陷、提高产品质量、增加产量并带来更多收益。

在许多工业应用中，进行异常检测最常用的方法是在收集图像或时间序列数据时调整数码相机参数或传感器。这本质上是一个图像或信号异常检测问题，目的是在测试阶段寻找与正常数据不同的模式。然而，与人类相比，机器识别正常模式并进行异常检测并非易事。图像异常检测面临着一些挑战，具体如下：
- 类别不平衡 ：异常事件通常是少数，而正常事件占比很大。
- 数据质量 ：数据可能存在噪声、波动等问题。
- 未知异常 ：可能会出现之前未见过的异常类型。

一些技术通常将异常检测问题视为“单类”问题，即使用正常数据作为基准来学习模型，然后通过与基准的相似度来评估新数据是否属于正常范围。早期的表面缺陷检测应用中，常通过在无缺陷数据上设计手工特征来建模背景，但这些方法大多适用于高质量的同质数据，且需要先验知识。在实际应用中，深度学习方法更为常用，其中自动编码