在半导体制造领域，晶圆作为集成电路的核心载体，其表面质量直接决定了芯片的性能与可靠性。然而，微米级甚至纳米级的缺陷可能引发电路失效、性能下降等严重问题。传统人工目检因效率低、主观性强逐渐被淘汰，而基于机器视觉的自动化检测技术正以高精度、高速度的优势，成为保障晶圆质量的关键手段。南京航空航天大学吴一全教授团队在《中国图象图形学报》发表的综述论文，系统梳理了近十年机器视觉在晶圆缺陷检测中的应用进展，为行业技术升级提供了重要参考。

一、缺陷类型复杂，检测流程需精细化

晶圆缺陷可分为三大类：随机缺陷（如颗粒污染、划痕）、系统缺陷（如光刻偏差、蚀刻不均）及组合缺陷（混合成因）。不同缺陷对芯片的影响差异显著，例如随机缺陷可能导致局部电路断路，而系统缺陷可能引发批量产品良率下降。

检测流程涵盖光学成像、图像处理、缺陷识别与成因分析四步。首先通过高分辨率显微镜或激光扫描获取晶圆表面图像，随后进行灰度化、滤波降噪等预处理，再利用算法提取缺陷特征（如形状、纹理、对比度），最终通过分类模型判断缺陷类型并追溯工艺环节。这一流程的自动化程度直接影响生产效率与成本控制。

二、机器学习驱动检测精度跃升

近年来，机器学习与深度学习技术为晶圆缺陷检测注入新动能。论文详细对比了不同算法的适用场景与性能表现：

1、有监督学习：支持向量机（SVM）、随机森林等模型在标注数据充足时表现优异。例如，在WM-811K公开数据集上，集成学习算法的分类准确率超90%，可有效区分划痕、污染等常见缺陷。

2、无监督学习：密度聚类（DBSCAN）、自编码器（AE）适用于无标签数据场景，但混合缺陷识别能力有限，需结合其他技术提升鲁棒性。

3、混合学习框架：结合变分自编码器（VAE）与卷积神经网络（CNN）的CVAE模型，通过数据增强技术将分类准确率提升至99.19%，成为高精度检测的标杆方案。

半监督与迁移学习：针对标注数据稀缺问题，T-DenseNet等迁移模型通过少量标记样本实现跨场景泛化，在真实产线中显著降低检测成本。

三、深度神经网络：从定位到全局建模

深度学习进一步推动了检测技术的智能化。目标检测网络（如YOLO、Mask R-CNN）可实现缺陷的实时定位与分类，而Transformer架构（如MSF-Trans）通过自注意力机制捕捉全局特征，对复杂组合缺陷的识别能力更强。分类网络方面，ResNet、DenseNet在多标签分类任务中准确率超98%，量子混合框架（HCQDL）则探索了量子计算与深度学习的融合路径。

分割与组合网络的发展尤为值得关注。改进版U-Net引入注意力机制，强化对微小缺陷的感知；轻量化模型WaferSegClassNet在保持精度的同时，将计算量降低40%，适配边缘设备部署需求。这些创新为高密度、大尺寸晶圆的检测提供了高效解决方案。

四、数据与计算挑战待解，多模态融合成趋势

尽管技术进步显著，晶圆缺陷检测仍面临多重挑战：

1、数据瓶颈：缺陷样本类别不平衡（如系统缺陷占比低）、标注成本高、时间序列数据缺乏，限制了模型训练效果。

2、混合缺陷检测：组合缺陷的成因复杂，需融合光学、红外、电子束等多模态数据提升识别准确率。

3、计算效率：产线对实时检测要求高，轻量化模型设计与知识蒸馏技术成为优化方向。

未来，多模态检测将主导技术演进。通过融合红外热成像、X射线层析等手段，可穿透晶圆表面获取深层结构信息，减少工艺干扰。同时，无损检测技术的突破将进一步提升检测可重复性，推动半导体制造向“零缺陷”目标迈进。

五、行业影响与前景展望

机器视觉技术的普及正重塑半导体产业格局。据市场研究机构预测，全球晶圆检测设备市场规模将于2027年突破百亿美元，其中AI驱动的智能检测系统占比将超60%。中国作为全球最大半导体市场，在政策扶持与产学研合作下，已涌现出中科飞测、上海微电子等本土企业，逐步打破国外技术垄断。

吴一全教授团队指出，晶圆缺陷检测的终极目标是构建“感知-决策-优化”闭环系统，通过数字孪生技术模拟工艺参数，实现从被动检测到主动预防的跨越。随着5G、人工智能、量子计算等技术的融合，半导体制造的精度与效率将迎来新一轮飞跃，为全球数字经济提供更坚实的底层支撑。