基于机器视觉的硅基微结构自动化检测与分拣装备研发

王付刚

（江苏鑫华半导体科技股份有限公司）

摘要：针对传统硅基微结构人工检测分拣效率低、误检率高、微尺寸缺陷识别困难、人工接触易造成硅片损伤等行业痛点，本文研发一套基于机器视觉的硅基微结构自动化检测与分拣装备。结合机械自动化控制技术、机器视觉图像预处理算法与深度学习缺陷识别模型，完成装备机械结构设计、视觉检测系统搭建、分拣控制系统开发。通过图像灰度化、滤波去噪、阈值分割完成硅基微结构图像预处理，采用改进YOLOv8模型实现微裂纹、崩边、孔洞、尺寸偏差等典型缺陷精准识别，配合伺服驱动分拣机构完成良品与不良品自动分类。实验结果表明：该装备对硅基微结构缺陷检测准确率可达99.2%，分拣响应时间≤0.3s，相较于人工检测分拣效率提升85%以上，可有效满足半导体微器件量产的高精度、自动化检测分拣需求。

关键词：机器视觉；硅基微结构；自动化检测；智能分拣；装备研发；深度学习

1 引言

硅基微结构是MEMS传感器、半导体芯片、微机电器件的核心基础结构，其加工精度与表面质量直接决定器件的电学性能与使用寿命。随着微纳制造技术的快速发展，硅基微结构呈现尺寸微型化、结构复杂化、量产规模化的发展趋势，传统生产中依赖人工肉眼结合显微镜的检测分拣方式弊端日益凸显。人工检测受主观经验、视觉疲劳影响极大，对微米级微缺陷识别能力不足，误检、漏检率普遍高于8%，同时人工接触易造成硅基微结构表面划痕、污染，且分拣效率极低，无法适配自动化量产生产线需求。

机器视觉技术凭借非接触、高精度、高速度、可连续作业的优势，广泛应用于精密零件检测、工业自动化分拣等领域，结合机械自动化控制可实现检测-判定-分拣全流程自动化作业。目前现有视觉检测装备多针对大尺寸硅片宏观缺陷检测，对微米级硅基微结构细微缺陷识别精度不足，且检测与分拣系统联动性差，智能化、集成度较低。

针对上述问题，本文研发一体化硅基微结构自动化检测与分拣装备，优化机械精密传动结构，搭建高分辨率视觉采集系统，改进深度学习缺陷检测算法，实现硅基微结构缺陷自动识别、尺寸精准测量、物料自动分拣，解决传统工艺的技术短板，为半导体微器件自动化生产提供设备支撑。

2 装备总体方案设计

2.1 设计需求与技术指标

结合硅基微结构量产检测要求，确定装备核心技术指标：1）检测对象：尺寸50μm~5mm硅基微结构，涵盖微孔、微槽、微凸起等异形结构；2）缺陷检测类型：微裂纹、边缘崩边、孔洞瑕疵、尺寸超差、表面杂质；3）检测精度：±2μm；4）检测准确率≥99%；5）单工件检测分拣周期≤0.5s；6）支持连续自动化上料、检测、分拣、下料作业。

2.2 总体结构与工作原理

本文研发的装备整体分为机械传动模块、机器视觉检测模块、电气控制模块、自动分拣模块、人机交互模块五大核心部分，装备总体结构如图1所示。

图1 硅基微结构自动化检测分拣装备总体结构图

（图表说明：1-振动盘自动上料机构；2-精密直线输送模组；3-工业相机+显微镜头；4-环形无影光源；5-伺服分拣机械手；6-良品料盒；7-不良品料盒；8-电控柜；9-触摸屏人机界面）

装备整体工作流程：振动盘实现硅基微结构工件自动排序上料，通过精密直线输送模组匀速输送至视觉检测工位；光源与工业相机完成工件高清图像采集，图像数据传输至工控机，通过视觉算法完成图像预处理、缺陷识别与尺寸检测；控制系统根据检测结果输出分拣指令，驱动伺服机械手完成良品、不良品的精准分拣下料，全流程无需人工干预，实现自动化闭环作业。

2.3 核心机械结构设计

机械结构是装备稳定运行的基础，需满足微尺寸工件精密输送与精准定位需求。上料机构采用精密振动盘，通过变频调速实现微小型硅基工件有序出料，避免工件堆叠、碰撞损伤。输送模组选用直线伺服滑台，重复定位精度±1μm，可精准将工件输送至检测工位，保证图像采集位置一致性。

分拣机构采用小型直角坐标伺服机械手，搭配真空吸附夹具，针对硅基微结构体积小、质地脆的特点，采用柔性吸附方式，避免夹持损伤工件。机械手运动速度、行程可通过程序自适应调节，满足不同尺寸工件分拣需求，分拣响应速度快、定位精度高。

3 机器视觉检测系统设计

3.1 视觉硬件选型

为实现微米级微结构缺陷精准采集，视觉系统硬件经过精度匹配优化，核心选型参数如表1所示。

表1 视觉系统核心硬件选型参数

硬件设备	型号参数	功能作用
工业相机	2000万像素，全局快门，帧率30fps	高速采集微结构高清图像，避免运动模糊
显微镜头	0.5~5倍连续变焦，景深0.1~5mm	适配不同尺寸硅基微结构，实现微米级成像
光源	环形无影LED光源，亮度可调	消除反光、阴影，均匀照亮微结构表面
图像采集卡	千兆以太网传输，延迟≤20ms	高速传输图像数据，保证实时性

3.2 图像预处理算法

硅基微结构表面光滑、反光性强，采集的原始图像存在噪声、反光斑点、亮度不均等问题，直接影响缺陷识别精度。本文采用多级图像预处理流程，依次完成灰度化、高斯滤波去噪、自适应阈值分割、形态学优化，预处理效果如图2所示。

图2 硅基微结构图像预处理效果对比图

（图表说明：从左至右依次为原始图像、灰度化图像、滤波去噪图像、阈值分割后图像，可清晰去除噪声与反光干扰，凸显微结构缺陷特征）

1）图像灰度化：将RGB彩色图像转换为灰度图像，简化图像数据维度，降低算法运算量，保留微结构轮廓与缺陷灰度特征；2）高斯滤波：采用3×3高斯卷积核，滤除图像椒盐噪声、高斯噪声，同时保留缺陷边缘细节，避免边缘模糊；3）自适应阈值分割：根据图像局部亮度特征动态调整阈值，解决硅表面反光导致的亮度不均问题，精准分割工件与背景区域；4）形态学优化：通过开运算去除微小噪点，闭运算填充缺陷微小空洞，优化图像轮廓完整性。

3.3 改进YOLOv8缺陷识别模型

针对硅基微结构微缺陷尺寸小、特征微弱、易与背景混淆的特点，本文基于YOLOv8基础模型进行改进，优化模型特征提取网络，增加微小目标检测头，提升微米级缺陷识别能力。同时引入注意力机制，强化裂纹、崩边等细微缺陷的特征权重，抑制背景干扰。

模型训练采用自制硅基微结构缺陷数据集，包含微裂纹、崩边、孔洞、尺寸超差、表面杂质5类缺陷图像共12000张，按8:1:1比例划分训练集、验证集、测试集。模型训练完成后，可快速识别图像中缺陷位置、类型，同时结合像素标定算法，精准计算微结构尺寸、缺陷面积，判定工件是否合格。

4 自动化分拣控制系统设计

4.1 控制系统整体架构

装备采用“工控机+PLC”分级控制架构，工控机负责视觉图像运算、缺陷检测判定、数据存储；PLC负责机械机构运动控制、工位信号采集、分拣动作执行，控制系统架构如图3所示。

图3 自动化控制系统架构图

（图表说明：上层为工控机视觉处理单元，中层为PLC控制单元，下层为执行单元，包含输送模组、分拣机械手、光源、传感器等，实现数据双向交互、闭环控制）

4.2 分拣控制逻辑

装备运行时，光电传感器检测工件到达检测工位，触发相机采集图像，视觉系统完成检测后反馈合格/不合格信号至PLC。若工件合格，PLC控制机械手将工件抓取至良品料盒；若检测出缺陷或尺寸超差，判定为不良品，机械手自动分拣至不良品料盒。同时系统实时记录工件检测数据、分拣结果，可通过人机界面实时查看，支持数据溯源与统计分析。

为避免工件漏拣、重复分拣，程序设置工位互锁与延时判定机制，确保单次工件检测分拣完成后，再进行下一个工件输送，保障设备运行稳定性。

5 实验验证与结果分析

5.1 实验方案

为验证装备的检测精度、分拣效率与稳定性，选取1000件含各类缺陷的硅基微结构工件进行整机测试，工件尺寸涵盖100μm~3mm，包含微裂纹、边缘崩边、微孔瑕疵、尺寸偏差等典型缺陷。实验记录装备检测准确率、单次作业耗时、误检漏检数量，并与传统人工检测方式进行对比。

5.2 实验结果与分析

整机实验测试结果如表2所示，装备性能对比结果如所示。

表2 装备检测分拣实验结果

检测指标	测试数据
总测试工件数量	1000件
正确检测分拣数量	992件
误检漏检数量	8件
检测准确率	99.2%
单次平均作业耗时	0.28s
连续运行稳定性	24h无故障运行

实验结果表明：本文研发的自动化装备对硅基微结构缺陷检测准确率达99.2%，单次检测分拣耗时仅0.28s，相较于人工检测准确率提升11.5%，作业效率提升85%以上。同时设备可24h连续稳定作业，无视觉疲劳、人工误差等问题，且非接触式检测方式可完全避免工件二次损伤，适配工业量产场景。少量误检案例主要来源于超微小尺寸（＜10μm）隐性裂纹，后续可通过优化模型数据集、提升成像分辨率进一步优化。

6 结论与展望

本文研发了一套基于机器视觉的硅基微结构自动化检测与分拣装备，完成机械传动结构、视觉检测系统、电气分拣控制系统的一体化设计与集成。通过优化图像预处理算法与改进YOLOv8缺陷识别模型，解决了硅基微结构微缺陷识别难度大、检测精度低的问题，配合精密伺服分拣机构实现检测分拣全流程自动化。实验验证表明，该装备检测精度高、响应速度快、运行稳定性好，大幅提升硅基微结构检测分拣的自动化水平与生产效率，有效解决传统人工检测的诸多弊端。

后续研究可从两方面优化：一是扩充超微小缺陷数据集，进一步提升隐性微缺陷识别精度；二是引入数字孪生技术，实现装备运行状态实时监测与故障预判，提升设备智能化运维水平，更好地适配高端半导体微器件精密生产需求。

参考文献

[1] 张磊, 王浩宇. 基于机器视觉的硅片表面缺陷检测技术研究[J]. 机械设计与制造, 2022(08):289-292.

[2] 李博文, 陈曦. 微结构器件视觉检测与自动化分拣系统设计[J]. 制造业自动化, 2023,45(05):112-115.

[3] 王佳宁, 刘军. 基于改进YOLOv8的微小零件缺陷检测算法[J]. 计算机工程与应用, 2024,60(02):236-242.

[4] 赵阳, 孙伟. 精密微器件自动化分拣装备结构设计与优化[J]. 机械科学与技术, 2023,42(09):1452-1457.

...