面向TGV制程自动光学检测的协同决策方法、计算设备及存储介质与流程

本技术涉及tgv产品测量，具体而言，涉及一种面向tgv制程自动光学检测的协同决策方法、计算设备及存储介质。

背景技术：

1、tgv（玻璃通孔)是2.5d/3d封装、高性能计算芯片、射频器件的核心互连结构，制程链路长,通常涉及白片玻璃入料、激光诱导、蚀刻成孔、导电浆料填充或金属化、线路制作及后段电测等多个工位。各工位产生的缺陷具有明显的时空连续性，例如白片阶段的气泡、异物、划伤或裂纹可能在激光诱导后表现为诱导不连续、在蚀刻后表现为盲孔或孔壁粗糙、在填充后表现为空洞或电阻异常。

2、传统aoi设备主要承担单工位缺陷检出功能，ai模型迭代通常依赖人工挑图、人工标注和离线训练，跨工位缺陷关联、后段结果反哺和制程处置建议能力不足。即使某一站点检出率较高，如果无法与cad设计、坐标误差、工艺参数和后段电测结果绑定，仍难以判断缺陷是否致命，也难以形成可执行的recipe调整或制程处置。

3、因此，需要一种面向tgv制程自动光学检测的协同决策方法，使aoi从单点检测设备升级为具备跨工位推理和工程闭环能力的制程决策平台。

技术实现思路

1、本技术的主要目的在于提供一种面向tgv制程自动光学检测的协同决策方法，先打通多源制程数据建立统一索引，再通过专业化智能体（自主执行任务的程序或实体）完成设计解析、坐标统一、recipe生成、缺陷归因、模型迭代、处置决策，最终实现全流程管控与闭环迭代。

2、为了实现上述目的，本技术的第一方面提出了一种面向tgv制程自动光学检测的协同决策方法，包括：

3、获取tgv制程各工位的自动光学检测数据，将所述各工位的自动光学检测数据接入统一数据平台，基于玻璃基板的多维度唯一标识对获取的数据建立全局关联关系；

4、获取玻璃基板的设计文件，调用cad解析智能体对所述设计文件进行图元解析，提取结构化图元集合，并将所述结构化图元渲染为设计先验图层写入所述统一数据平台；

5、调用坐标配准智能体将不同设备的局部坐标映射至玻璃基板的全局坐标，并计算坐标置信度和坐标误差，将所述坐标置信度和坐标误差写入所述统一数据平台；

6、从所述统一数据平台获取设计先验图层、设备能力参数、缺陷风险和历史检测效果，调用recipe生成智能体生成检测recipe候选及其评分;

7、按照所述检测recipe候选执行缺陷检测，将缺陷数据实时写入所述统一数据平台，调用缺陷归因智能体生成缺陷归因链及每条缺陷归因链的制程风险评分；

8、根据所述制程风险评分、所述检测recipe候选、所述坐标置信度以及规则库中的工艺门限，调用处置决策智能体输出处置建议；

9、基于检测过程中的难例样本生成模型迭代更新任务，所述难例样本包括误检样本、漏检样本、低置信度样本、人工复判不一致和后段失败样本。

10、在本公开的一个实施例中，所述获取tgv制程各工位的自动光学检测数据，将所述各工位的自动光学检测数据接入统一数据平台，基于玻璃基板的多维度唯一标识对获取的数据建立全局关联关系，包括：

11、为每片玻璃基板生成唯一标识，并绑定生产批次id、子板id、设计版本号、检测/工艺参数版本号、tgv制程工位标识，所述tgv制程工位包括白片检测、激光诱导、蚀刻、导电浆料填充、线路检测、电测设备和制造执行系统；

12、将所有工位产生的原始图像、缺陷信息、工艺参数、设备状态、后段结果、人工复判结果写入统一数据平台，建立数据索引，所述数据索引包括玻璃基板唯一标识、生产批次标识、原材料基板标识、工位标识、设备标识、相机序列号、recipe版本号、ai模型版本、设计文件版本、检测时间戳、玻璃基板全局坐标、设备局部坐标、缺陷类型、缺陷严重等级、检测置信度、人工复判结果、后段结果。

13、在本公开的一个实施例中，获取玻璃基板的设计文件，调用cad解析智能体对所述设计文件进行图元解析，提取结构化图元集合，并将所述结构化图元渲染为设计先验图层写入所述统一数据平台，包括：

14、获取gerber、dxf、gds、odb++任意一种设计格式的设计文件或者自定义图元表，识别并提取结构化图元，所述结构化图元包括孔位、线路、焊盘、定位点、禁区、容差带、全局定位特征点、电气网络、布局层，并记录每个图元的设计坐标、尺寸、公差、所属层、拓扑关系和允许检测策略；

15、将所述结构化图元渲染为机器可读的设计先验图层，所述设计先验图层包括孔位掩码、线路掩码、焊盘区域掩码、禁区掩码、边缘距离图、容差带图和预期拓扑图中的至少一种。

16、在本公开的一个实施例中，调用坐标配准智能体将不同设备的局部坐标映射至玻璃基板的全局坐标，并计算坐标置信度和坐标误差，将所述坐标置信度和坐标误差写入所述统一数据平台，包括：

17、基于mark点检测结果、设备标定矩阵、相机畸变参数、平台运动误差、拼接残差、第三方设备坐标格式差异，通过mark点拟合得到局部坐标到全局坐标的转换关系：

18、g=t(c)+w(c)，其中，g为玻璃基板全局坐标，c为设备局部坐标，t为刚性、相似或仿射变换，w(c)为用于补偿拼图、平台运动、玻璃涨缩或镜头畸变造成的局部非线性形变补偿项；

19、计算所有误差源叠加后的坐标总误差，并根据坐标误差生成安全裕量margin=k·σ_total，其中k为大于1的裕量系数，σ_total为总误差，当σ_total或margin超过预设工艺允许阈值时，触发重新标定、复拍或人工复核；

20、将全局坐标g、坐标置信度confidence = 1 / (1 + σ_total)、安全裕量margin和校准状态标志存入统一数据平台。

21、在本公开的一个实施例中，recipe候选至少包括检测区域roi、光源通道、曝光时间、相机增益、采图倍率、复判触发阈值、传统边缘检测参数、ai模型版本、cad容差带、缺陷类别映射规则、结果输出格式、复判触发阈值；所述recipe评分至少根据检出率、误检率、漏检风险、节拍影响、设备运行稳定性、历史相似recipe的效果和人工确认成本中的两项以上确定。

22、在本公开的一个实施例中，按照所述检测recipe候选执行缺陷检测，将缺陷数据实时写入所述统一数据平台，调用缺陷归因智能体生成缺陷归因链及每条缺陷归因链的制程风险评分，包括：

23、当recipe生成智能体输出的检测recipe需要下发至生产设备时，校验cad版本与当前生产产品的设计版本是否一致、设备型号与recipe是否适配、工位号与recipe是否对应、产品型号是否匹配、坐标系版本与当前设备坐标系是否一致、ai模型版本是否已预装到设备、人工审批是否已完成，全部满足后，生成可执行recipe文件下发至设备；

24、检测recipe在设备上执行后，将检测结果、人工复判结果、后段电测/封装结果、工程师对recipe的修改记录回写至所述统一数据平台，并记录每个检测结果对应的原始图像、缺陷截图、cad版本、recipe版本、模型版本、坐标系版本、人工复判结果、后段结果；

25、将同一片玻璃基板的白片缺陷、激光诱导异常、蚀刻后盲孔或孔壁粗糙、导电浆料填充空洞、线路涨缩或线路偏移以及电测异常，基于统一索引的玻璃基板唯一标识和全局坐标做时空关联，形成一条或多条缺陷归因链;

26、采用条件概率模型、贝叶斯网络、因果图、梯度提升树、图神经网络或规则-模型混合方法计算制程失效概率：p(fail|x,z)，其中，x包括缺陷图像特征、几何特征、坐标特征、cad干涉特征，z包括工艺参数、设备参数和recipe版本，并输出每条缺陷归因链的制程风险评分。

27、在本公开的一个实施例中，根据所述制程风险评分、所述检测recipe候选、所述坐标置信度以及规则库中的工艺门限，调用处置决策智能体输出处置建议，包括：

28、采用规则门控与模型评分结合的方式输出处置建议，所述规则门控用于约束涉及停线、报废、recipe下发和模型上线的高风险动作，所述模型评分用于生成低风险复判、继续加工、采样复检或recipe候选排序，所述处置建议携带决策依据，所述决策依据至少包括触发缺陷、缺陷坐标、相关cad图元、关联工位、风险分、历史相似案例、当前recipe版本、候选recipe差异和人工确认状态。

29、在本公开的一个实施例中，调用模型迭代智能体基于检测过程中的难例样本生成模型迭代更新任务，所述难例样本包括误检样本、漏检样本、低置信度样本、人工复判不一致和后段失败样本，包括：

30、收集全链路误检样本、漏检样本、低置信度样本、跨模型判断不一致样本、人工复判与模型判断不一致样本、后段电测失败的样本、同类重复样本，对样本进行去重，去重依据包括图像感知哈希、缺陷位置、缺陷类别、图像特征向量和cad图元编号，经去重后的代表性样本进入难例样本池；

31、生成标注任务，划分训练集/验证集，完成模型训练后，在验证集、近期线上样本和关键缺陷样本上计算包括精确率、召回率、f1值、关键缺陷召回率、误报率、漏检率、线上节拍影响和跨批次稳定性的性能指标；

32、当模型达到上线门限时，以灰度方式部署到指定产品、指定设备或指定批次；若灰度部署阶段出现漏检率升高、误报率升高或节拍不满足要求，则回滚至上一稳定版本；当任一性能指标不满足上线门限时，禁止发布并生成补充样本建议。

33、本公开的第二方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行第一方面提供的方法。

34、本公开的第三方面提供了一种计算设备，计算设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行第一方面提供的方法。

35、由上述方案可知，本公开提供的面向tgv制程自动光学检测的协同决策方法，将tgv制程中白片检测、激光诱导、蚀刻、导电浆料填充、线路检测、电测等全工序的检测数据以及制造执行系统、质量管理系统的管理数据全部接入统一平台，并通过单片玻璃基板唯一标识、生产批次标识、工序阶段标识、产品mark点、全局统一坐标系等标识实现跨设备、跨工位的数据精准绑定，既保证同一块玻璃基板在不同工序的检测数据、制程参数可以一一对应，也解决了不同设备检测坐标系不一致、缺陷位置匹配错乱的问题，为后续分析提供了完整、准确的数据基础。

36、通过解析tgv产品的设计文件，明确产品正常结构、缺陷敏感区域、关键检测点位，为后续检测参数生成、缺陷判定提供设计端的基准依据；将不同工位、不同设备采集的图像、检测结果统一映射到全局坐标系，通过mark点匹配实现跨工序检测数据的空间对齐，确保同一缺陷在不同工序的检测数据可以精准关联；结合当前产品的型号、所处工序阶段、待检测缺陷类型以及历史同类型产品的成功检测参数库，自动生成适配当前场景的检测recipe候选，可直接下发至aoi设备执行，大幅降低recipe开发对工程师经验的依赖，缩短新产品、新产线的调试周期；当aoi检出缺陷后，拉取该缺陷对应玻璃基板在全工序的检测数据、制程参数，通过缺陷特征与各工序异常特征的关联匹配，生成完整的缺陷归因链，解决缺陷根因定位慢、跨工序责任界定难的问题；将归因后的新缺陷样本整理为标注数据集，评估现有检测模型的漏检、误判率，若模型性能不达标则自动触发再训练，更新后的检测模型可自动下发至aoi设备，无需人工介入标定样本、训练模型，大幅提升检测模型的迭代效率；结合缺陷的严重等级、归因结果、当前批次整体质量状态以及质量判定规则，生成标准化处置建议，避免人工判断标准不统一导致的处置偏差。

37、本公开既解决了tgv制程recipe调试依赖经验、缺陷根因定位难、模型迭代慢、处置标准不统一的问题，也打通了检测数据到制程优化的闭环，能够有效提升tgv制程的良率与生产一致性。