彩膜微观缺陷修补自动化实现和效率提升

蒋 迁，王 旭，王兰健，何晨彤，武占英，董宏达，李海飞

(北京京东方显示技术有限公司，北京 100176)

1 引 言

随着工业4.0、中国制造2025战略提出，制造业正逐步朝着自动化、智能化发展[1]。TFT-LCD产业制程本身是高度自动化的[2～6]，其人力投入主要分为两部分：维护设备正常运转的工程师和对产品品质进行检测、修复的作业员，而后者的人数是前者的数倍之多。实际上，作业员进行的检测、修复等作业内容相对简单、单一，如果该部分作业能实现设备自动化，能节省大量的人力成本，提高作业效率。

本文对8.5代线彩膜(Color Filter，CF)工厂的微观缺陷修补工位进行研究，检讨无人化可行性，并研究设备自动化运营逻辑，最终将自动修补逻辑写入设备软件，实现了修补工序自动化。

2 CF工艺流程和微观缺陷修补方式

2.1 CF工艺流程

TFT-LCD制程可以分为阵列(Array)、彩膜(CF)、对盒(Cell)、模组(Module)4部分，其中CF段良率最高，一般产品均在99.5%以上。高良率与CF的微观缺陷修补工艺密不可分[7]，如图1所示，在CF黑矩阵(Black Matrix，BM)、色阻(RGB)、柱状物(Photo Spacer，PS)工序完成后，均可对相应膜层的微观缺陷进行修补，提升良率。

图1 CF工艺流程Fig.1 Process flow of color filter

2.2 CF微观缺陷种类和修补方式

根据不同的划分原则，可以对CF微观缺陷进行多种划分。从产生工序区分，可以分为BM缺陷、RGB缺陷、OC缺陷、PS缺陷；从缺陷形态区分，可以分为异物类、纤维类、PR残留类、划伤类、掉膜类等等；从缺陷检测原理区分，可以分为黑缺陷和白缺陷。由于微观缺陷的修补是基于缺陷的检出进行的，本文仅以黑缺陷和白缺陷分类对缺陷进行区分。

CF采用自动光学检测机(Automatic Optical Inspection，AOI)对微观缺陷进行检测，当AOI自动检测时，机器通过一排CCD自动扫描基板，采集图像，经过图像处理，进行单周期Pitch比较，从而检查出基板上的缺陷。缺陷检出采用5点比对法，如图2中5个点，假设其灰阶为A1、A2、A3、A4、A5，其中A2、A3、A4、A5为参考点，A1为比较点。取上述5个点中间值(假设这5点的灰阶大小关系为A2

当 |A1-A5| > 设定阈值， A1点为缺陷点；

当 |A1-A5| < 设定阈值， A1点为正常点。

当A1>A5时，为黑缺陷；反之为白缺陷。通常黑缺陷为金属异物、PR残留、纤维等，白缺陷为膜层缺失。

图2 AOI检测原理Fig.2 Inspect principle of AOI

CF修补方式有3种：研磨(Tape)、激光(Laser)和填色(Ink)。实际生产中，研磨用于磨掉膜上的黑缺陷，激光用于去除BM膜层PR残留和RGB白缺陷填色前规整图形准备，填色是在激光去除缺陷后，在相应位置处填补上RGB色阻，3种修补方式效果如图3～图5所示。

图3 研磨修补Fig.3 Tape repair

图4 激光修补Fig.4 Laser repair

图5 激光和填色修补Fig.5 Laser and ink repair

3 CF微观缺陷修补自动化实现

CF微观缺陷人工修补流程如图6所示，基板经过AOI检测后，AOI将所检测的缺陷信息，包括：(1)不良面积；(2)不良坐标(X、Y)；(3)不良种类(黑缺Reflect Black，RB；白缺Transmit White，TW)；(4)不良数量；(5)不良尺寸(ΔX、ΔY、最大长度)；(6)灰阶差值(Bright2)等6部分上传到服务器上。当基板流经修补设备时，修补设备从服务器提取缺陷信息并逐一提示作业员，作业员根据提示，逐一手动操作镜头移动至缺陷点坐标处，肉眼确认是否存在真缺陷以及真缺陷类型，并手动点击缺陷中心位置，让修补设备移动至该位置，针对不同类型的缺陷进行相应的研磨、激光或填色作业，值得一提的是，填色作业也是需要人眼识别颜色后选择红、绿、蓝或者黑色墨盒进行填色。

图6 微观缺陷人工修补流程Fig.6 Process flow of micro-defect repair by human

要想实现自动化修补，即用设备替代人工进行缺陷类型判定、缺陷精确位置查找、修补方式选择等工作。AOI只提供了缺陷类型、面积、尺寸和坐标，还有极低的误检性(把假缺陷检测成真缺陷)，如何让修补设备像人眼一样“认出”缺陷并选择正确的方式进行作业呢？尤其填色作业的时候，设备如何像人眼一样“认出”颜色呢？

本文中提出最小循环标准图像比对法解决这一问题。CF图形是循环重复排列的，选择最小不重复的一组正常区域作为标准图像，将被检测区域同样划分为N个小区域，逐一与标准图像进行比对，则可以发现缺陷并确认缺陷类型，最后选择修补作业。以下结合各具体修补工序进行阐述。

3.1 BM后微观缺陷自动修补实现

BM工艺之后，仅对黑缺陷进行自动激光修补，基板进入修补设备后，修补镜头和修补单元可根据AOI提供的坐标移动至缺陷点附近，接下来是如何识别缺陷的准确位置和使用激光作业。

将像素的最小子循环图像设置成标准图像，并在框内设置几个激光区域。镜头移动至缺陷点坐标后，使用2倍镜头自动对焦，然后逐一区域进行与最小循环单元比对，比对结果一致默认为无缺陷，进行下一区域比对，当比对结果不一致时，则找到了缺陷。当视野内未找到缺陷时，设备会报警，提示人员进行确认，是否为AOI误检。找到缺陷后，设备切换20倍镜头再次对焦和比对，确认缺陷的精确位置，然后执行激光动作。

图7 BM工艺后自动修补设置Fig.7 Setting of auto repair after BM process

如图7所示，对于该产品，设置2个子像素为最小循环单元，并在最小循环单元内设置2个激光框。图7中的圆形黑缺陷，设备经过2倍镜图像比对后找到缺陷，切换20倍镜头再次比对，识别缺陷准确位置在最小循环单元的左侧，并位于激光框1中，接下来执行预设好的Laser1框的激光动作(包括使用的激光能量和激光框面积)。执行完1次之后再次进行图像比对，比对结果一致认为修补完成，切换2倍镜移动至下一缺陷点，如果比对结果不一致，认为激光修复一次不能将缺陷完全去除，再次进行激光动作，两次之后仍然有缺陷，认为出现异常，设备报警提示人员确认(一般情况下，两次激光能完成修补)。

BM工艺后自动修补流程如图8所示。

图8 BM自动修补流程图Fig.8 Auto repair process flow of BM repair

3.2 RGB后微观缺陷自动修补实现

RGB工艺之后，需要修补的缺陷分为黑缺陷(RB)和白缺陷(TW)两种，修补设备根据从AOI提取的缺陷信息RB或TW，选择不同的作业。

同BM工艺后的修补一样，RGB工艺后的修补也需要设置最小循环单元，以便设备进行缺陷比对查找。此外，RGB像素的填色作业涉及不同颜色的墨盒选择，也是通过图像比对实现的。

图9 RGB工艺后自动修补设置Fig.9 Setting of auto repair after RGB process

如图9所示，对于该产品，设置2组RGB像素为最小循环单元，并在最小循环单元内设置6个激光框。在一个最小循环内，设置R、G、B像素开口区填色作业时选择对应的红、绿、蓝色的墨盒，其余区域选择黑色墨盒。图9中位于R像素内部的黑缺陷，设备经过2倍镜图像比对后找到缺陷，首先进行测高，如果高度在规格内(各产品规格不同)，判定OK，进行下一个缺陷点修补；如果高度超出规格，则进行研磨作业，研磨后再次测高，如果一次研磨后高度在规格内，判定OK，进行下一个缺陷点修补；如果一次研磨后高度超出规格，则再次进行研磨作业，研磨后再次测高，如果二次研磨后高度在规格内，判定OK，进行下一个缺陷点修补；如果二次研磨后高度仍然超出规格，则切换20倍镜进行激光+填色作业。切换20倍镜头后通过比对识别缺陷准确位置在激光框2中，应该填充红色墨盒。接下来执行预设好的激光和填色动作。切换2倍镜再次比对，比对结果一致，认为修补完成，移动至下一缺陷点，否则设备报警，提示人员确认。RGB工艺后自动修补流程如图10所示。

图10 RGB自动修补流程图Fig.10 Auto repair process flow of RGB repair

3.3 PS后微观缺陷自动修补实现

BM工艺和RGB工艺产生的微观缺陷已经在前工艺完成了修补，至PS工艺后，可进行修补的缺陷为OC膜上的黑缺陷，其修补逻辑和方法与RGB工艺产生的黑缺陷类此，在此不再赘述。

将上述修补逻辑分别写入修补设备软件，可实现各工序的自动修补。以PS 修补良率进行统计，自动化修补成功率为99.8%，与人工修补成功率99.9%相当，满足生产需求(>99.5%)。8.5代线CF工厂修补设备共10组，自动修补导入前后机组和人员配置如表1所示，自动导入完成后，修补人员从20人降低为7人，主要进行设备报警处理和异常情况对应，节省人力13人。

表1 修补机组和人员配置Tab.1 Arrangement of repair equipment and personnel

4 CF微观缺陷自动化修补效率的提升

图11 各工序修补时间/卡夹Fig.11 Repair time per cassette of each repair process

虽然所有的基板都存在大小不一的缺陷，但并不是所有的缺陷都需要修补。图11统计了随机10个卡夹(一个卡夹40 sh基板)自动修补所需要的时间，BM、RGB、PS 平均修补一个卡夹需要时间分别为29，42，53 min,其中存在着部分时间浪费。例如有些缺陷由于其面积非常小，经过实际验证不会对显示造成任何影响，是可以不修补的，也就是所谓的缺陷容忍度。而还有一些缺陷则是过大，无法进行修补，可以直接进行NG(Not Good)判定，也是无须进行修补的。这些无须经过修补的基板也进入修补设备势必造成产能浪费，通过给AOI设备添加基板判定功能，可以解决这个问题。

AOI每检测完一张基板后，得到基板所有的缺陷信息。对这些信息进行筛选判定，没有任何一个缺陷达到修补基准的，AOI给该基板判定Code“Good”；缺陷过多过大无法修补的，AOI给该基板判定Code“Rework”；而需要进行修补的给予其他Code，并对不同Code的基板单独收集，进入到不同的下游，具体运营如图12～14所示。

图12 BM 修补自动分片示意图Fig.12 Auto sorting of BM repair

图12为BM 修补自动分片流程图，BM 修补只进行激光修补，基板经过AOI后，AOI给基板G(无须修补)、R(无法修补)、Q(进行Laser修补)3种判级，进入修补设备前，无缺陷基板收集在一起进行下一工艺，R基板收集在一起进行返工作业，Q基板进入设备进行激光修补。

图13为RGB 修补自动分片流程图，RGB 修补进行研磨和填色修补，基板经过AOI后，AOI给基板G(无须修补)、R(无法修补)、Q(进行研磨修补)和C(进行填色修补)4种判级。

图14为PS 修补自动分片流程图，同BM类似，分为G、R、Q 3种，Q进行研磨作业。

图14 PS 修补自动分片示意图Fig.14 Auto sorting of RGB repair

图15 优化前后各工序修补时间/卡夹Fig.15 Repair time per cassette of each repair process before and after optimization

经过AOI自动判级后，BM 修补、RGB 修补和PS 修补分别有70%、35%和14%的玻璃直通，这部分玻璃不经过修补设备，节省了修补时间，图15为优化前后各工序修补时间，优化后BM、RGB、PS 平均修补一个卡夹需要时间分别为22，37，50 min,分别减少了7，5，3 min，减少量分别为24%、12%和6%。

5 结 论

本文根据制造业智能化、自动化的发展趋势，提出了CF修补工序自动化，介绍了微观修补方式，检讨了自动修补逻辑和可行性，并在8.5代线CF工厂中实现了设备自动修补，将修补工序作业员由20人降低为7人，节省人力13人，节省量65%。此外，通过赋予检测设备给基板判级功能，使不需要修补的基板不进入修补设备，进一步优化基板流向和设备负荷，优化后，BM、RGB、PS 修补分别有70%、35%和14%的玻璃直通，平均修补一个卡夹的时间分别减少了24%、12%和6%。经与其他世代线CF工厂对标，本文所阐述的逻辑可平行推广至其他生产线，节省人力成本，提高自动化程度。