Resumen: Presentamos un marco novedoso de aprendizaje profundo para la clasificación automatizada de defectos en procesos de empaquetado a nivel de oblea utilizando imágenes multi-espectrales. El sistema alcanza una precisión de clasificación del 98.7 por ciento sobre un conjunto de datos de 1.2 millones de imágenes que incluyen defectos comunes en WLP como desplazamiento de bolas de soldadura, cavidades en epoxy underfill, cortocircuitos en trazas y fisuras en el encapsulado, superando métodos existentes en 7.3 puntos porcentuales. La solución está diseñada para escalar en entornos de manufactura de alto rendimiento y ofrece un potencial significativo para reducir costes y mejorar la calidad en la industria de semiconductores.

Introducción y objetivo: El empaquetado a nivel de oblea es un proceso crítico en la fabricación de circuitos integrados y los defectos durante este paso afectan la fiabilidad del producto. Las inspecciones manuales son costosas y subjetivas, y los sistemas AOI tradicionales presentan dificultades ante defectos complejos o variaciones sutiles en el proceso. Proponemos un sistema basado en redes neuronales convolucionales que integra imágenes multi-espectrales para enriquecer la información espectral además de la espacial, mejorando la sensibilidad frente a defectos que no siempre son visibles en RGB convencional.

Originalidad técnica: La novedad consiste en combinar adquisición multi-espectral con una arquitectura ResNet-50 modificada que incorpora módulos de autoatención tras cada bloque residual para resaltar características relevantes y suprimir ruido. A diferencia de enfoques que solo usan imágenes RGB, aquí apilamos cinco canales espectrales (450 nm, 525 nm, 580 nm, 630 nm y 680 nm con ancho de banda aproximado de 10 nm) como entrada al modelo, lo que permite detectar firmas espectrales asociadas a defectos como voids en epoxy o variaciones en la reflectancia de soldaduras.

Metodología: Capturamos imágenes con un sistema multi-espectral propio basado en iluminación LED y cámara CMOS de alta resolución. Se creó un dataset de 1.2 millones de muestras, anotadas por ingenieros expertos con un acuerdo inter-annotador del 99.5 por ciento. El modelo emplea ResNet-50 como backbone, integrando un bloque de atención que calcula pesos A = Softmax ReLU Conv sobre las características intermedias y aplica dichos pesos a la representación X para obtener una salida enfatizada. La pérdida utilizada es entropía cruzada para clasificación multiclase, optimizando con SGD con momentum 0.9, tasa de aprendizaje inicial 0.001 y parada temprana según pérdida de validación. El preprocesado incluye normalización por canal y aumentos controlados que respetan la coherencia espectral.

Diseño experimental y métricas: La partición del dataset fue 80 por ciento entrenamiento, 10 por ciento validación y 10 por ciento test. Se evaluó precisión, precisión por clase, recall, F1-score y matriz de confusión. El modelo alcanzó una precisión global de 98.7 por ciento, precisión media 99.2 por ciento, recall 98.1 por ciento y F1 98.6 por ciento en el conjunto de prueba. La comparación con sistemas AOI comerciales mostró una mejora promedio de 7.3 puntos porcentuales en exactitud. Las visualizaciones de mapas de atención permitieron verificar que el modelo se concentra en regiones compatibles con la aparición de defectos, aportando interpretabilidad operativa.

Impacto industrial y beneficios: La adopción de esta solución se traduce en reducción de scrap estimada entre 15 y 20 por ciento y mejora en eficiencia de manufactura cercana al 10 por ciento. Además de mejorar rendimiento y reducir costes, la capacidad de identificar anomalías tempranas facilita acciones correctivas proactivas en líneas de producción WLP. El enfoque es aplicable a instalaciones de alto volumen y puede integrarse como módulo inteligente complementario a los sistemas AOI existentes.

Escalabilidad y hoja de ruta: A corto plazo (6 a 12 meses) se propone integrar el modelo como módulo auxiliar en estaciones de inspección y optimizar la arquitectura para inferencia en hardware embebido. A medio plazo (1 a 3 años) se desarrollará una solución AOI totalmente integrada basada en el marco propuesto y se desplegará en plantas de producción. A largo plazo (3 a 5 años) se explorarán técnicas no supervisadas y semisupervisadas para reducir la dependencia de etiquetado manual y ampliar la cobertura de tipos de defectos y variaciones de proceso.

Reproducibilidad y datos: Con el fin de fomentar la reproducibilidad, se publicarán conjuntos de datos sintéticos y pesos preentrenados en plataformas abiertas cuando las condiciones de propiedad intelectual lo permitan, junto con descripciones detalladas de la adquisición multi-espectral y scripts de entrenamiento.

Verificación técnica: La robustez se verificó mediante pruebas sobre datos no vistos, análisis de sensibilidad frente a ruido espectral y variaciones geométricas, y estudio de errores para identificar casos límite. La adición del mecanismo de autoatención mejora la resistencia frente a variaciones de iluminación y pequeñas alteraciones geométricas, reduciendo falsos positivos y negativos críticos para el flujo de producción.

Contribución y aplicaciones prácticas: Este trabajo demuestra cómo la combinación de inteligencia artificial y adquisición multi-espectral puede elevar la inspección automática de WLP a nuevos niveles de precisión y confiabilidad. Para empresas que buscan soluciones personalizadas Q2BSTUDIO desarrolla aplicaciones a medida y software a medida que integran modelos de IA en flujos productivos, incluyendo despliegues en la nube y en perímetro.

Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa de desarrollo de software y especialistas en inteligencia artificial y ciberseguridad que ofrece soluciones end to end para la industria: desde el diseño e implementación de aplicaciones a medida hasta servicios gestionados en la nube. Nuestro equipo combina experiencia en IA para empresas, agentes IA industriales y servicios inteligencia de negocio para transformar datos en decisiones de alto valor. Si su prioridad es crear soluciones de IA adaptadas al proceso productivo, conozca nuestras propuestas de inteligencia artificial y solicite una consultoría para evaluar integración con su línea de producción. Para desarrollos específicos y aplicaciones multiplataforma visite nuestro servicio de desarrollo de aplicaciones a medida.

Servicios complementarios: Además de IA ofrecemos ciberseguridad y pentesting, servicios cloud aws y azure para despliegues escalables, y soluciones de inteligencia de negocio y power bi para visualización y toma de decisiones en tiempo real. Estas capacidades permiten desplegar sistemas de inspección inteligentes que no solo detectan defectos sino que alimentan cuadros de mando para optimizar procesos y reducir variabilidad.

Conclusión: La integración de imágenes multi-espectrales con arquitecturas CNN mejoradas con atención ofrece una vía efectiva y escalable para la clasificación de defectos en empaquetado a nivel de oblea. Q2BSTUDIO está preparada para acompañar a fabricantes en la adopción de estas tecnologías mediante soluciones a medida, soporte en la nube y servicios de inteligencia de negocio que aceleran la transición hacia fábricas más inteligentes y eficientes.