一、为什么AI光学检测是「先进封装」不可或缺的角色？

随著半导体制程向高密度、高整合、高效能持续迈进，先进封装（Advanced Packaging）技术正逐步取代传统封装，成为推动晶片性能极限的关键技术。像是FOPLP（扇出型面板级封装）、CoWoS（Chip on Wafer on Substrate）、TSV（Through-Silicon Via） 等技术，已成为高阶晶片封装主流。然而，这些技术所带来的，是前所未有的微缩尺度、多材料堆叠与复杂制程挑战，对检测技术提出更高标准。

• 封装技术演进：从IC封装走向FOPLP、CoWoS、TSV

过去的IC封装著重于基本保护与电气连接，而现今的先进封装则融合晶片堆叠、异质整合与高频/低功耗传输要求。举例来说：FOPLP 扩大封装面积，增加多元元件整合的可能，却也带来平整度（warpage）控制与微缺陷难以辨识的困难；CoWoS 与 TSV 采用高深宽比结构，内部通孔、接点品质的检测成为良率瓶颈；材料从矽、玻璃、陶瓷到透明聚合物不等，反光、透光、粗糙度差异使传统检测系统无所适从。

• 高密度/高层数/异材结合 → 微缺陷检测需求急速上升

在先进封装产线中，常见的问题包括晶圆表面的刮伤与异物、玻璃晶圆的低对比缺陷、陶瓷与透明材料的破损与杂点、面板与基板的 warpage（翘曲）与 bow（弯曲）。这些缺陷往往极为细小或难以察觉，且受材料性质影响大，传统 AOI 系统多数依赖预设规则与对比判断，对于复杂材质与多样化缺陷类型常常出现误判或漏检。

先进封装制程所面临的检测挑战，包含但不限于：刮伤/异物检测：在高密度线路或晶圆表面，任何轻微刮痕都可能影响导通或可靠性；BOW / Warpage：基板翘曲将导致制程对位困难，影响后段制程如雷射开孔、点胶等精准度；低对比缺陷：像玻璃晶圆或透明薄膜，缺陷与背景反差低，传统AOI容易误判或漏判；复杂几何与叠层结构：三维堆叠导致部分瑕疵非单一视角可见，需多角度/多光谱检测介入。

• 传统AOI难以应对：透明材质、弯曲变形（BOW / Warpage）、低对比缺陷等

传统AOI（Automated Optical Inspection）多仰赖固定演算法与预设模板比对，在面对新材料或新制程异常时，缺乏弹性与判断力。而AI光学检测透过深度学习，能从实际样本中自主学习瑕疵样貌、背景杂讯与容差范围，有效辨识：隐藏性瑕疵（微裂纹、表面凹陷）、不规则瑕疵（非模板化的异物、污染）、透明/半透明材质下的瑕疵、偏移型变形如线路扭曲、Bump错位。

AI光学检测的价值不只是看见瑕疵，而是预测风险、提早应变，在先进封装制程中，早一步辨识关键瑕疵，就能避免整批报废、降低测试成本，并透过AI持续学习机制，不断优化瑕疵分类、提升准确率。这使得AI光学检测成为推动智慧制造与高良率产线的核心动能。

二、五大实战应用案例分享｜AI光学如何精准应对各种挑战?

1. 晶圆刮伤与线路损伤检测

应用场域：先进封装晶圆、TSV制程前段

对应问题：微细刮伤、金属层线路破

图：检测晶圆上的刮伤与线路损伤瑕疵，并对瑕疵晶粒进行喷墨

图：演算法能正确检测出瑕疵，并对瑕疵进行分类

晶圆表面极为平整，任何细微刮伤或断线都可能造成电性异常。AI能从庞大图像资料中学习正常与异常纹理差异，准确区分出极细的线路断裂、刮伤与污染物，比传统演算法更能应对低对比、高密度区域的复杂图形。 

2. Glass Wafer 透明瑕疵与Bow检测

应用场域：玻璃夹层/玻璃基复合材料

对应问题：异物、破损、翘曲（Bow）

图：使用高效显卡搭配优化后的AI瑕疵检测模组，能在5分钟内完成训练

透明玻璃基材在反光环境中常因低对比而让瑕疵难以辨识。AI可搭配偏光与多角度光源设计，学习应对不同光影变化，辨识如玻璃内陷、气泡、裂缝等细节，同时也能借由几何演算法分析基板翘曲量（Bow）与翘曲方向，支援FOPLP等面板级封装制程。 

3. 面板线路瑕疵与形变分析

应用场域：扇出型面板级封装（FOPLP）、Redistribution Layer 检查 

对应问题：开路、短路、线路歪斜、压痕

图：正确检查线路有无短路电路，5um以上的瑕疵检出

FOPLP强调大面积精密线路布局，常见线路过窄、走向异常或接点压伤等问题。AI透过线路学习模型自动对齐标准布局图，辨识如金属层歪斜、过蚀刻、氧化物异常等非标准瑕疵，避免产品因功能异常退货。

4. 陶瓷基板表面瑕疵检测

应用场域：高频通讯模组、功率元件封装

对应问题：表面黑点、针孔、边缘破损

图：搭配平行化的架构和优质的算法，任何尺寸的基板都可在10秒内检完

陶瓷表面质地粗糙，反光不均且多孔，传统AOI容易误判正常纹理为异常。AI能进行区域学习比对，根据不同烧结纹理建立缺陷标准，大幅减少误报，并能识别边角破损与微小内陷。

5. 透明片缺陷与异物检测

应用场域：透明保护膜、光学膜材封装制程

对应问题：脏污、压痕、双影、杂点

图：能正确检出表面刮伤与破洞

透明材质在封装过程中易受压产生双层痕、微粒污染等视觉瑕疵。AI模型能运用多光谱影像组合与光影消除演算方式，去除干扰背景，准确辨识肉眼难察的微细缺陷，并可结合即时预警系统进行自动报修。

这些实例不仅展现AI在光学检测的高精度能力，更说明其高度客制化、跨材质适应与自学强化的特性，是现今先进制程从FOPLP到Glass Wafer皆可导入的重要品质策略工具。

三、整合应用在FOPLP、CoWoS与TSV的实际产线优势

AI 光学检测不只是单点应用工具，而是能根据封装技术特性与制程挑战进行深度整合，在多种先进封装平台中发挥关键价值。以下是三种常见先进封装技术下，AI 光学检测如何因应其结构特性提供最佳化解法：

• CoWoS/TSV：高深宽比通孔检测 → 搭配斜角光与影像深度AI建模

CoWos与TSV技术中，常需进行通孔（Via）与再布线层（RDL）的多层垂直整合，这类结构具有高深宽比、孔径极小、孔壁品质要求高的特性。传统AOI在垂直结构上易受死角影响？

AI光学检测结合斜角光源设计与3D影像深度建模，可精确重建孔洞轮廓，辨识孔内异物、内壁粗糙、镀层不均等瑕疵，有效支援TSV制程前后段关键环节。 

• FOPLP：扇出型大面积封装 → 精度需配合warpage与bow控制

FOPLP 封装使用大尺寸面板进行多晶片封装，常出现面板变形（warpage）、翘曲（bow），导致线路错位或对位不良。AI 检测系统可透过形貌建模与学习式对位机制，同步判别平面瑕疵与变形行为，并结合量测资料进行自动补偿。相较传统2D AOI，AI 模型可自动适应不同变形量与翘曲角度，维持高精度的良率控管。

• glass wafer：检测异物与裂痕并防止因反光而误判瑕疵

在玻璃晶圆或透明介质上，常因低对比与反光现象导致瑕疵无法被准确辨识。AI光学系统可搭配偏光、消光与多角度光源，并利用AI演算法进行反光滤除与背景还原，有效提升像是裂痕、气泡、异物、表面破损等低对比缺陷的辨识率，避免误判与漏检。 

四、AI 检测系统与 MES、SPC 的自动串接应用｜打造封装产线的即时品质回馈机制 

在 FOPLP、TSV 等高阶封装产线中，品质不仅需要靠高精度检测，更需要快速、即时的资讯整合与制程调整能力。AI 光学检测系统具备高度弹性与开放式架构，可无缝整合至 MES（Manufacturing Execution System）、SPC（统计制程管制）等智慧工厂系统，实现下列效益：

• 瑕疵分布报告、自动分类记录

AI系统可将瑕疵自动分类（如：刮伤、异物、裂痕、金属短路等），并输出缺陷热点分布图，作为SPC分析与制程参数优化依据。这种数据自动化可减少人工判定偏差，加快品质决策速度。

• 整合MES回传修单与工单追朔

每笔异常纪录皆可即时上传MES系统，生成对应修单或重工标记，并保留产品编号、批次、站点等资讯，利于后续追朔与制程优化。此功能特别适用于晶圆封装与面板封装等多段流程，可防止缺陷产品流入下流关键制程。

• 支援TSV/FOPLP封装产线即时回馈应用

在高节拍、极度精密的 TSV 与 FOPLP 封装生产中，AI 系统能配合制程节奏提供即时缺陷侦测 + 决策建议，并透过 API 串接回馈设备参数（如曝光时间、对位精度等），实现制程端的自我修正。

透过 AI 光学检测与 MES/SPC 系统的无缝整合，企业不仅能提升产线良率，更能建立从「缺陷辨识 → 制程追溯 → 品质修正」的自动化闭环，真正迈向智慧制造与先进封装的可靠量产目标。

五、AI光学检测让你看见传统技术无法发现的关键细节

在先进封装战场上，谁能准确看见关键缺陷，谁就能抢占品质与良率先机。

在 FOPLP、CoWoS、TSV 等先进封装制程日益复杂的今日，制程中任何一个微米等级的刮伤、异物、翘曲（BOW）、透明缺陷都可能影响整体封装良率与产品寿命。传统 AOI 技术在面对透明材质、高反射表面、低对比缺陷时，往往力有未逮，错失了「看不见」的细节。

BUENOOPTICS 和全丰的 AI 光学检测系统，以深度学习与自适应演算法为核心，不仅能大幅提升瑕疵辨识的准确性，更具备自主学习制程变异、修正伪缺陷误判的能力，让 AI 真正成为「制程理解者」而非仅仅是「比对者」。从晶圆表面的刮伤、TSV 通孔异常，到 glass wafer 的微裂痕与面板 warpage / bow 等非线性变形，我们的系统能即时适应不同材料与视角的挑战，在封装每一个关键节点都能稳定守住品质关卡。

AI 光学检测，正在改写先进封装的品质规则与竞争门槛。

https://www.buenooptics.com/post/%E5%BE%9Efoplp%E5%88%B0glasswafer%E7%9A%84%E4%BA%94%E5%A4%A7%E6%87%89%E7%94%A8%E5%AF%A6%E4%BE%8B