關於此課程
本課程以封測品管現場常見的良率、缺陷與 AOI 資料為核心，透過公開半導體與工業檢測資料集示範 AI 導入流程。課程將依序說明製程參數如何用於不良風險預測、wafer map 如何進行缺陷圖樣辨識、AOI 影像如何進行異常檢測，以及如何把模型結果轉換為現場可用的複判優先順序與品質改善線索。
本課程定位為「封測場域的 AI 品質工程導入課」。重點不是宣稱取代封測製程專家，而是協助品保、製程、設備與工程主管理解如何把產線資料整理成可建模的資料集，如何選擇良率預測、缺陷分類或異常偵測方法，並將模型輸出轉換為現場可使用的品質警訊、複判優先順序與改善線索。
課程採用公開資料集與公開產業案例進行示範：SECOM 製程資料用於良率 / 不良預測；WM-811K 用於 wafer map 缺陷圖樣分類；MVTec AD 用於 AOI 影像異常檢測；封測 / package substrate 案例用於連結產線導入情境。
關於課程
• 計畫名稱：115年度半導體國際連結創新賦能計畫
• 指導單位：經濟部產業發展署
• 主辦單位：財團法人資訊工業策進會
• 執行單位：MakerPRO
• 開課時間：2026年 9-10月 09:30-16:30（待定）
• 上課地點：資展國際（台北市大安區復興南路一段390號2樓，近大安捷運站）
• 招生對象：半導體在職人員
• 最低開課人數：10人
• 上課費用：NTD 15000元
【補助辦法】
1. 半導體業大型企業補助5成；
2. 半導體業中小企業全額補助（實收資本額新台幣1億元以下，或員工數未滿200人）
課綱規劃
第一日
| 時數 | 單元 | 內容重點 | 使用教案 | 教學方式 |
|---|---|---|---|---|
| 09:30-10:30 | 封測 AI 品管導入總覽 | 封測品管資料型態；lot / wafer / die / station / equipment / recipe / defect / yield 的資料關係；AI 導入常見失敗原因 | 四個案例總覽 | 產業情境講解 |
| 10:30-12:00 | 資料清理與特徵工程 | 缺失值、異常值、低變異欄位、高維參數、時間戳、批次欄位、標籤設計；把 MES / test / AOI 資料轉成模型表格 | SECOM | 示範教學 |
| 13:00-15:00 | 製程參數與不良品預測 | SECOM pass/fail 預測；class imbalance；feature selection；以 recall / precision 解讀品管風險 | SECOM | 程式 demo + 指標判讀 |
| 15:00-17:00 | Wafer Map 缺陷圖樣辨識 | WM-811K wafer map 視覺化；Center、Donut、Edge-Ring、Scratch、Random 等圖樣；CNN 分類與 confusion matrix | WM-811K | 影像 demo + 圖樣解析 |
第二日
| 時數 | 單元 | 內容重點 | 使用教案 | 教學方式 |
|---|---|---|---|---|
| 10:00-12.00 | AOI 影像異常檢測 | MVTec AD 的 normal-only training；正常樣本建模；異常分數、threshold tuning、pixel-level localization 概念 | MVTec AD | 示範教學 + 閾值討論 |
| 13:00-14:30 | 封測 / Package AOI 產業案例解析 | package substrate defect detection；OD + AD + AC 混合架構；如何降低人工檢查負擔並維持品質 | ASE / IC package案例 | 案例拆解 |
| 14:30-16:30 | AI 品管 PoC 設計工作坊 | 定義問題、資料欄位、KPI、評估指標、複判流程、導入風險；完成 PoC 檢核表 | 四個案例整合 | 工作坊討論 |
教案設計總覽
| 教案 | 公開資料 / 案例 | 核心任務 | 對應封測品管問題 | 建議模型 / 方法 | 課堂成果 |
|---|---|---|---|---|---|
| 案例 1 | UCI SECOM semiconductor manufacturing data | 製程參數 -> pass / fail 預測 | 設備 / 製程參數是否可預警不良或 yield excursion | Logistic Regression、Random Forest、XGBoost、feature selection | 不良風險預測與關鍵參數排序 |
| 案例 2 | WM-811K Wafer Map dataset | Wafer map 缺陷圖樣分類 | defective die 的空間分布是否對應特定製程異常 | CNN、class imbalance handling、confusion matrix | 缺陷圖樣分類 demo 與 root cause 討論 |
| 案例 3 | MVTec AD industrial anomaly detection dataset | AOI 影像異常檢測與缺陷定位 | 缺陷樣本少時，如何以正常品建模並找出異常位置 | Autoencoder、PatchCore 概念、embedding distance、threshold tuning | AOI anomaly detection demo 與誤報 / 漏報分析 |
| 案例 4 | ASE package substrate defect detection / IC package AOI 案例 | 產業案例解析與導入架構 | 如何把 OD、AD、輔助分類與人工複判整合到現場流程 | Object Detection、Anomaly Detection、Auxiliary Classification、Human-in-the-loop | 封測 AI 品管 PoC 架構圖與資料欄位清單 |
案例一：SECOM 製程資料 – 良率 / 不良品預測
定位：作為第一個 demo，讓學員理解 AI 品管不一定從影像開始；許多品質問題可以先從製程參數、測試資料與 fail label 建立預測模型。
| 項目 | 教案內容 |
|---|---|
| 資料特性 | SECOM 為半導體製造資料集，含 1,567 筆樣本與 591 個特徵，標籤為 pass / fail；資料含缺失值與高維感測 / 量測變數。 |
| 示範流程 | 讀取資料 -> 缺失值處理 -> 移除常數 / 低變異欄位 -> train/test split -> 模型訓練 -> confusion matrix -> feature importance。 |
| 模型選擇 | Logistic Regression 作為 baseline；Random Forest / XGBoost 作為非線性模型；可補充 PCA / feature selection 的用途。 |
| 封測連結 | 可映射到測試站資料、設備參數、批次資料與 final test fail 預測；適合說明「早期預警」與「關鍵參數排序」。 |
案例二：WM-811K Wafer Map – 晶圓缺陷圖樣分類
定位：本案例最能讓半導體學員產生辨識度。wafer map 不是一般影像，而是 defective die 的空間分布；模型任務不只是分類，更要協助工程師推論可能的製程異常型態。
| 項目 | 教案內容 |
|---|---|
| 資料特性 | WM-811K 約含 811,457 張 wafer maps，其中 172,950 張有人工標註；像素值通常代表 background、normal die、defective die；標籤對應九種缺陷圖樣。 |
| 圖樣類別 | 可示範 Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full、None 等常見 pattern。 |
| 示範流程 | 讀取 wafer map -> 視覺化 -> 選取標註資料 -> 處理類別不平衡 -> CNN / baseline classifier -> confusion matrix -> 錯誤案例檢視。 |
| 封測連結 | 雖然 wafer map 多屬晶圓製造 / 測試資料，但圖樣分類邏輯可延伸到封測異常批次、測試 bin map 與製程 root cause 分析。 |
案例三：MVTec AD – AOI 影像異常檢測與缺陷定位
定位：用於模擬封測 AOI 與外觀檢查情境。封測現場常見困難是缺陷樣本少、缺陷型態變動、標註成本高；因此 anomaly detection 比完整多類別分類更適合作為入門教案。
| 項目 | 教案內容 |
|---|---|
| 資料特性 | MVTec AD 為工業視覺異常檢測資料集，含 15 種物件與紋理類別、超過 5,000 張高解析度影像；訓練集多為 defect-free images，測試集含正常與缺陷樣本。 |
| 示範流程 | 正常品影像訓練 -> 建立 reconstruction / embedding baseline -> 產生 anomaly score -> threshold tuning -> 顯示異常熱區。 |
| 模型選擇 | Autoencoder 作概念 demo；PatchCore / embedding distance 作進階說明；若課程不進行 heavy coding，可用預先產生結果圖示範。 |
| 封測連結 | 可映射到 package surface scratch、substrate defect、marking defect、lead frame defect、solder joint / PCB AOI 等外觀檢查問題。 |
案例四：Package / Substrate AOI – 產業案例解析與導入架構
定位：本案例不一定要求完整實作，主要用於把公開資料 demo 連回封測現場。重點是讓學員理解產線導入通常不是單一模型，而是 object detection、anomaly detection、輔助分類、規則判斷與人工複判的混合流程。
| 項目 | 教案內容 |
|---|---|
| 案例來源 | ASE 相關技術文章曾說明 package substrate defect detection framework，整合 object detection、anomaly detection 與 auxiliary classification，以降低人工檢查需求並維持下游品質。 |
| 示範流程 | AOI 影像輸入 -> 候選缺陷偵測 -> 異常分數 / 缺陷分類 -> 複判優先順序 -> 工程師回饋 -> 標註資料回流。 |
| 方法組合 | Object Detection 用於定位候選缺陷；Anomaly Detection 用於未知缺陷；Auxiliary Classification 用於細分類別與誤報降低。 |
| 課堂產出 | 完成一張「封測 AI 品管 PoC 架構圖」與一份資料欄位需求清單。 |
講師介紹
學 歷：國立臺北科技大學 電子工程博士
專 長：人工智慧、軟硬體共同設計、物聯網
經 歷：
- 國立臺北科技大學電資學院 研究助理教授
- 在台灣ICT產業服務(2009~2017)
- 在台灣軟體開發業界服務(1993~2009)
- 國立臺北科技大學電資學院 專案助理教授
學員評分和評論
