應用人工智慧之雷射開槽輪廓自動量測與分析;Automated Measurement and Analysis of Laser-Grooved Profiles Using Artificial Intelligence

NCU Institutional Repository > 資訊電機學院 > 資訊工程學系 > 研究計畫 > Item 987654321/96900

請使用永久網址來引用或連結此文件: https://ir.lib.ncu.edu.tw/handle/987654321/96900

題名:	應用人工智慧之雷射開槽輪廓自動量測與分析;Automated Measurement and Analysis of Laser-Grooved Profiles Using Artificial Intelligence
作者:	吳曉光
貢獻者:	國立中央大學資訊工程學系
關鍵詞:	雷射切槽技術;高精度量測;人工智慧;自動化品質檢測;製程優化與穩定性;Laser Grooving;High-Precision Measurement;Artificial Intelligence;Automated Quality Inspection;Process Optimization and Stability
日期:	2025-07-31
上傳時間:	2025-08-07 17:18:30 (UTC+8)
出版者:	國家科學及技術委員會(本會)
摘要:	本計畫旨在解決現有半導體製程中切槽品質檢測的瓶頸，特別是針對雷射開槽技術。隨著低介電常數（Low-k）材料和先進封裝技術（如CoWoS和SiP）的應用，雷射切槽已成為確保晶圓精密切割的重要步驟。然而，現階段的切槽品質檢測仍以人工操作為主，原因在於雷射切槽分析面臨多重挑戰，例如不平整表面、熱熔效應以及光學掃描技術的限制，導致數據中充滿噪聲與誤差，增加自動化分析的難度。這種手動操作不僅耗時低效，且結果易受人為因素影響，難以滿足大規模產線對高效率與高穩定性的需求。為克服上述挑戰，本計畫提出結合機器學習技術的解決方案，透過自動化的切槽品質檢測系統，精確預測切槽的關鍵參數（如寬度、深度與熱影響區）。本計畫的研究方法包括四個主要步驟。首先是資料收集與預處理，從白光干涉儀測得的深度圖中提取數據，重點關注切槽剖面。透過數據清洗與特徵標註，移除噪聲與異常數據，確保數據集的準確性與一致性。其次是模型設計與訓練，計畫將開發兩類機器學習模型，包括基於LSTM的高度數據序列分析模型和基於CNN的折線圖分析模型，分別針對高度數據序列與折線圖進行特徵學習與預測。接下來是滾動式模型更新，本計畫設計了結合Fine-Tuning與Transfer Learning技術的滾動式模型更新機制，能持續優化模型性能，確保其適應製程中不斷變化的條件。最後是系統整合與測試，計畫將開發直觀易用的介面，用於展示模型預測結果，並支持數據的可視化與即時調整。系統會在真實產線環境中進行測試，以驗證其穩定性與泛化能力。此外，但當切槽分析過程實現自動化後，將具備進一步連接物聯網的潛力。這將帶來一系列優勢，包括低延遲的實時數據收集與分析、即時調整雷射參數，以及大規模的設備狀態與環境條件宏觀分析。此舉不僅能提升生產效率與精準度，還有助於實現預測性維護與持續製程優化，為智慧製造奠定堅實基礎並創造更大的經濟價值。整體而言，本計畫的成功將顯著提升半導體製程的精度與效率，為產業發展提供技術支撐，助力台灣在全球半導體市場中的競爭力。
關聯:	財團法人國家實驗研究院科技政策研究與資訊中心
顯示於類別:	[資訊工程學系] 研究計畫

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	25	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....