那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們產線導入一套新的光學量測系統，號稱影像分析多麼厲害。結果跑了一週，CPK 報告出來，哇靠，1.08。這數字，老實說，在我們這行就是不及格邊緣。當時產線主管的臉色跟開水一樣淡，整個會議室安靜了三秒，你知道那種氣氛嗎？比設備當機還讓人尷尬。後來才發現，問題不是出在設備量測不準，而是我們在做 MSA (量測系統分析) 的時候，沒搞懂影像分析的特殊性。
問題出在哪？「準」跟「穩」的盲點
說穿了，MSA 就是要確認你的量測系統夠「準」也夠「穩」。你量出來的東西，不能每次都不一樣，也不能跟標準差太多。傳統的 MSA，你可能就是拿個標準件，讓不同人量個幾次，看看數據的重複性、再現性。但光學影像分析的 MSA，事情就複雜了。因為它不是直接量長度、寬度這種物理量。它是「看圖說故事」！系統會透過演算法判斷影像的特徵，例如邊緣、缺陷。
所以重點是，當你用影像系統量測時，它的「看圖」能力，會受到很多非量測本體的因素影響。舉個例，你可能覺得量測一個缺陷的尺寸，很容易。但如果影像的亮度、對比度、甚至缺陷邊緣的模糊程度不同，演算法的判斷結果就會跑掉。這不是量測系統「不準」，而是它「看錯」了。
實際上怎麼做？「人」的變數要排除
要做好影像分析系統的 MSA，你得先釐清變數來源。傳統 MSA 的重複性 (Repeatability) 跟再現性 (Reproducibility) 還是很重要。
- 重複性 (Repeatability)：同一片產品，同一個量測員，用同一台機器，量個 10 次，數據要夠穩定。這個你可以看儀器本身的穩定度。
- 再現性 (Reproducibility)：同一片產品，不同量測員，用同一台機器，量個幾次，數據不能差太多。但影像分析有個很大的坑，就是「人」的判斷。
所以重點是，我們要排除「人」的變數。怎麼做？
- 標準圖庫的建立：針對不同的缺陷或特徵，建立一個標準影像庫。這些影像必須是經過人工共識判斷、甚至用更精密的儀器驗證過的「黃金標準」。
- 演算法的穩定性測試：讓系統用這些標準影像去跑，看看它每次判斷的結果是否一致。這其實是測試演算法本身的穩定性，而不是量測系統的重複性。如果演算法本身就有不穩定性，例如每次判斷邊緣的位置會差個 2-3 個 pixel，那你的重複性一開始就GG了。
- 環境參數的敏感度分析：跑 MSA 前，先調整光學系統的照明、對比、焦距等參數，去看看這些參數對量測結果的影響有多大。例如，如果亮度從 80% 調到 90%，量出來的 DPMO 從 6210 變成 8500，那你就要考慮是不是要把亮度鎖死。
最常見的坑：標準不標準
我踩過最大的坑，就是把「不標準的標準」拿來做 MSA。有一次，我們拿了幾片「號稱」是良品的 Wafer，讓系統去學習。結果 MSA 跑出來的結果還不錯，以為萬事OK。但上線後發現，系統會把一些輕微的缺陷判成良品，搞得 DPMO 飆高。後來仔細去比對，才發現我們當初拿來當標準良品的 Wafer，上面其實有幾顆晶粒邊緣有點小缺角，只是肉眼不明顯。
說穿了就是，你的「黃金標準」不夠黃金！影像系統很誠實，你餵它什麼，它就學什麼。如果你給它的標準圖庫本身就有誤差，那後面量測結果的 MSA 數字再漂亮，也是自欺欺人。
今天能做的一件事
重新檢視你的影像分析標準圖庫，確保它們是真的「黃金標準」。