Procesní detekce vizuálních vad SiC desek

Abstract

Wafery z karbidu křemíku (SiC) jsou využívány pro výrobu efektivních elektronických výkonových součástek. Pokud se defekty nacházejí v určitých částech waferu, nemohou být tyto části pro výrobu dále použity. Jako řešení se zde nabízí využití principů strojového vidění a strojového učení. Tato práce se zabývá návrhem a vývojem algoritmů pro vizuální detekci vad na SiC waferech pomocí analytických metod i metod využívajících konvoluční neuronové sítě. Součástí práce je také seznámení čtenáře s teoretickými základy souvisejícími s problematikou. Automatická vizuální detekce defektů na SiC waferech se ukázala jako proveditelná a může představovat značné zvýšení efektivity v rámci kontrolního procesu.

Silicon carbide (SiC) wafers are used for the production of efficient electronic power components. If defects are found in certain parts of the wafer, these parts cannot be used for further production. The solution here is to use machine vision and machine learning principles. This thesis deals with the design and development of algorithms for the visual detection of defects on SiC wafers using analytical methods as well as methods using convolutional neural networks. Part of the thesis also introduces the reader to the theoretical foundations related to the topic. Automatic visual detection of defects on SiC wafers has proven to be feasible and can represent a significant increase in efficiency within the inspection process.