近年来，计算机视觉领域成功应用了以卷积神经网络为代表的深度学习模型，为缺陷检测提供了新的发展方向。在芯片生产制造过程中，各个工艺流程相互关联，技术复杂，材料、环境、工艺参数等因素的微小变化，导致芯片出现缺陷，对产品的良好性造成影响。作为芯片的芯片质量能够为人们及时掌控各生产环节的健康状况提供积极的产品质量信息，虚数科技半导体芯片缺陷检测技术在芯片生产线上的作用日益凸显。

如今，由于效率低、精度低、费用高、劳动强度大、标准不统一等缺点，人工目视检测方法正逐渐被自动检测技术所取代。早期的自动化检测工艺主要是围绕机器视觉技术进行的。机器看图技术凭借其高效率、高精度、高可靠、非接触性、客观性强等优势，广受研究和应用。

芯片在封装之前，其工艺的操作控制、工艺参数、环境等因素都会对芯片的质量造成一定的影响，所产生的瑕疵表现出多样的类型和形状，以及复杂的背景。芯片制造过程中产生表面缺陷，大致可分为原料不良、异物、划伤、凸起、错位、缺陷、金属污染物以及蚀刻液的脏污残留等，可以想象，虚数科技半导体芯片缺陷检测的重要程度。虚数技公司搭建的dlia工业深度学习开发平台，实现复杂缺陷的工业自动化检测问题，具备实时缺陷分类和检测功能，支持新增缺陷标注和再训练，收集的缺陷越多，检错率越高，越准确地使用。