在芯片制造行業提起圖像識別時，第一反應就是難度很高，尤其是工廠在進行自動化部署時，有關于芯片缺陷檢測的部分更是難上加難。而現在已經有廠商推出在“邊緣”處理圖像的新技術，使得深度學習技術變得更加易用。

什么是"邊緣檢測"

制造業的邊緣檢測本身是一種應用場景，通過圖像邊緣部分來檢測某些需要識別的特征，其背后所涉及到的技術通俗說法是"邊緣學習"，是深度學習的一個子集。一般是使用一套預先訓練好的算法在設備上直接部署，通過設備內置的CPU和GPU進行計算圖像，來達到檢測的目的。

針對于芯片制造工廠而言，最需要的一套簡單的設備外加訓練好的模型，直接部署就可以使用，所以打包售賣訓練好的模型已經成為一個行業趨勢。提到算法也給大家介紹下，邊緣檢測在圖像處理和計算機視覺上的概念：邊緣檢測本質上是一種圖像濾波器，用來檢測和標識出圖像中亮度、色彩變換明顯的點，因為在一張圖像中，這種顯著的變化往往反應出了圖片所蘊含的重要"信息"：（i）深度上的不連續、（ii）表面方向不連續、（iii）物質屬性變化和（iv）場景照明變化。

邊緣檢測可以大幅度減少數據量，并且剔除了很多不相關的信息，只保留圖像中認為最重要的結構。對于芯片制造行業，邊緣檢測就比傳統的圖像識別來的更加輕巧和方便。

Cognex Deep Learning 實例圖像(圖源：網絡)

從圖像識別角度看，邊緣檢測可以為流水線作業提供更大的數據吞吐量和更高效的識別，所以已經有越來越多的廠商加入邊緣檢測的大軍。

制造產線應用場景

制造業流水線是十分講求良率和效率的地方，在很多時候芯片制造的中間環節都需要各種各樣的檢測，才能保證最終的良率和產能。前前后后上百道工序，每道工序都有自己的良率，我們來簡單計算一下：

1.筆者從事的某種芯片制造有近150道工序拋去檢查和清洗等，造成芯片不可逆損傷的工序大概有90道。

2.假設每道工序的良率都是99.9%，那么最終產品的良率是0.999的90次方，最終是91.4%，而如果要是良率下降到99.0%時，最終產品的良率達到了可怕的40.5%也就是說客戶需要一百萬顆料，我們至少要做250萬顆才能保證最后的訂單量。當然在某些器件例如NAND動輒都是64層96層其一片12寸的晶圓更是在產線要走兩個月的時間，經過工序已達到上千道。

所以在流水線生產環境中，高效好用的自動化圖像識別系統能對于及時發現和提升效率有著不可估量的優勢。例如，在某些芯片內部需要做出一些電路圖形，高清顯微相機可以捕捉到微小的圖像，而這樣類似的微小圖案可能在電路中有百萬個，在短時間內處理上百萬個圖像就需要很大計算量，然而這只是整個芯片制程中很小的一個環節，所以能夠縮小數據量的方法的需求變得越來越急切。

特殊圖案的邊緣檢測(圖源：網絡)

不僅僅是芯片制造中，在器件封裝中邊緣檢測同樣有著極大作用，舉個最簡單的例子，我們最常見的黑色矩形芯片，其實是被塑封體包裹的元件，內部保護起來的Chip才是起作用的芯片，我們一般稱之為“Die”。所以對于封裝廠來講，一個Die完好無損的從晶圓上經過減薄-劃片-貼裝-打線最后流轉到測試再到客戶手中，也需要數十道檢測來確保良率。

如下圖，我們可以將一個芯片的局部放大來看，一些內部電路也會由于金屬或者表面不同保護鍍層而呈現不同的顏色。但是對于封裝來講，工程師更加關注的是芯片的裂紋和損傷，對于顏色反而希望去除，所以通過圖案內花紋的邊緣檢測就可以得到電路紋理的邊界，往往裂紋和損傷會打亂整個紋理圖案，所以正負樣本的比較久可以輕松得出結果。

NAND芯片和邊緣檢測局部紋理示意圖(圖源：網絡）

通過特征圖案的機器學習可以讓待檢測圖片的細節更加突出，并且所占空間更小，因為一張圖片其實CPU或者GPU能夠很快給出結果，但是一百萬張所花費的時間該有多少，想必沒有人去嘗試這么“愚蠢”的事情，因為對于制造來講，效率和時間就是金錢。

來源：電子工程專輯