關於此課程
課程主旨
在半導體製造與封測環節中，視覺檢測是確保產品良率（Yield Rate）的核心守門員。隨著製程複雜化，傳統規則式（Rule-based）AOI 已難以應對微小瑕疵與高變異性的檢測需求。本課程由許哲豪博士主講，深度解析如何將 AI 視覺技術導入半導體產線。
課程涵蓋主流 AI 模型、進階 AOI 應用，並直擊半導體業最頭痛的「樣本稀缺」與「異常檢測（Anomaly Detection）」問題。透過實戰模擬與 MLOps 工作流的介紹，協助 IC 製造 IT 工程師建立可持續優化的視覺系統架構，實現從實驗室理論到產線 24/7 穩定運作的跨越。
學習目標
- 技術升級評估： 掌握傳統視覺與 AI 視覺的技術邊界，精確選擇適合半導體產線的模型。
- 解決樣本痛點： 學習在瑕疵樣本極少（Small Data）的情況下，如何有效訓練高精準度模型。
- 實踐異常偵測： 掌握 Unsupervised Learning 技術，對產線未知異常進行即時預警。
- 建構 MLOps 流： 理解數據標註、模型部署與後續漂移（Drift）監控，確保產線長期穩定。
適合對象
- IC 製造/封裝/測試廠 AOI 工程師： 欲將傳統視覺系統升級為 AI 智慧檢測者。
- 製造部 IT/自動化工程師： 負責智慧化工廠視覺系統架構規劃與維運者。
- 製程整合 (PIE)/良率提升 (YEE) 工程師： 需透過影像分析找出製程瓶頸或失效模式者。
- 半導體設備廠商研發人員： 開發具備 AI 辨識能力之新一代半導體生產設備者。
課綱規劃
Day1 工廠視覺技術核心與應用實務
| 時間 | 單元主題 | 教學內容重點 |
|---|---|---|
| 09:30 – 11:00 | 1. 半導體視覺基礎與演進 | 工業相機取像原理、傳統規則式檢測 vs. 深度學習檢測、CNN 與 Transformer 模型選型。 |
| 11:00 – 12:30 | 2. AOI 與機器人視覺應用 | 晶圓/封裝表面瑕疵檢測案例、機器人視覺定位 (Alignment) 與手眼協調技術。 |
| 13:30 – 15:00 | 3. 廠區監控與工安 AI | 無塵室穿著辨識、危險區域入侵偵測、作業員標準流程 (SOP) 行為分析。 |
| 15:00 – 16:30 | 4. 樣本稀缺 (Small Data) 策略 | 數據增強 (Augmentation)、合成數據生成、遷移學習 (Transfer Learning) 在半導體場景的應用。 |
Day 2：實務挑戰解決與系統部署實戰
| 時間 | 單元主題 | 教學內容重點 |
|---|---|---|
| 09:30 – 11:00 | 5. 異常檢測 (Anomaly Detection) | 重點技術：如何在無標註瑕疵樣本的情況下，利用正常樣本訓練「異常偵測」模型。 |
| 11:00 – 12:30 | 6. 模型漂移與維護策略 | 產線環境變化（光源、製程更換）導致的模型失準處理、持續監控與自動再訓練。 |
| 13:30 – 15:00 | 7. 資料標註與 MLOps 工作流 | 工業級標註工具介紹、模型版本管理、從開發到產線部署的 MLOps 自動化流程。 |
| 15:00 – 16:30 | 8. 實戰演練與架構部署 | 硬體加速器（GPU/NPU）選擇、邊緣端推論架構設計、實戰案例模擬與 Q&A。 |
學員評分和評論
還沒有評論