面向AI服务器和电动汽车的高可靠性MLCC需求扩大
6台摄像头拍摄产品全部表面……并行采用基于规则的图像处理与AI判定
供应范围从外观检测扩大至复合测量、超声波内部检测及自动化设备
随着人工智能（AI）服务器和电动汽车普及，多层陶瓷电容器（MLCC）的性能与可靠性标准进一步提高，“检测”技术在制造工序中的重要性日益凸显。零部件不断小型化、内部层数持续增加，同时微小缺陷也会左右产品可靠性，基于AI的全检设备正成为新的竞争力。
根据Hanul Semiconductor于本月16日提交的证券申报书，公司提出了以AI基础MLCC六面外观检测设备为核心，瞄准全球MLCC制造商扩大产能及替换老旧设备需求的战略。
MLCC是用于智能手机、家电、汽车、服务器及工业设备等大多数电子设备的核心被动元件。近期，随着AI服务器、电动汽车、自动驾驶汽车及工业机器人市场快速增长，高容量、高电压、超小型MLCC的需求也在同步增加。
尤其是用于AI服务器和汽车电子的MLCC，必须在高温和高电压环境下稳定运行。即使是外观上的微小裂纹或内部缺陷，也可能影响性能和寿命，因此其质量检测要求远比普通消费类产品严格。
Hanul Semiconductor顺应这一市场变化，将AI基础外观检测设备作为主力产品。该设备利用振动供料装置及高速旋转玻璃圆盘的离心力，连续输送超小型MLCC。输送中的产品由6台高分辨率摄像头拍摄各个表面，采集到的图像通过自主AI检测平台“HawAIe”及AI分析引擎“AlohaNet”进行实时分析。
据公司介绍，以0603规格MLCC计算，该设备的处理速度约为每分钟1.3万个。检测范围涵盖破损、崩边、表面裂纹、异物及电极形状异常等各类外观缺陷。
0603规格MLCC是横向约0.6毫米、纵向约0.3毫米的超小型元件。该类产品大小与头发直径相近，需要在快速输送过程中从六个方向同步拍摄，并实时判定是否存在不良，因此设备的机械精度与图像分析技术都至关重要。
Hanul Semiconductor表示，其竞争力在于同时采用既有的基于规则的图像处理技术与AI判定技术。对于位置和形态固定的缺陷，设备依据预先设定的标准值进行判别；对于非规则裂纹、微小表面缺陷等难以通过传统方式区分的情况，则由AI进行分析。
公司计划借此在维持检测速度的同时，减少将正常产品判定为不良品的过度检测，以及漏检实际不良品的可能性，并灵活应对因产品规格和生产工序不同而出现的多种缺陷。持续积累的检测数据也将用于AI学习，以不断提升判定准确度。
MLCC的外观不良并非仅以单一形式出现。崩边、表面裂纹、产品破损、电极形状异常及表面污染等缺陷类型多样，即便同为裂纹，其位置、长度、宽度和明暗程度也各不相同。
此外，生产过程中留下的细微痕迹有时与正常产品的表面纹理或光照反射相似，仅依靠简单的标准值难以准确判定。Hanul Semiconductor采用6台摄像头拍摄产品全部表面，并结合基于规则的图像处理与AI分析，使设备能够在单一工序中识别这些多样化的不良情况。
公司正以外观检测设备为起点，将业务拓展至MLCC后段工序设备的整体领域。该公司相继开发复合测量仪、自动贴装机、超声波无损检测设备、切割机、转移机及工序自动化设备，着手构建后段工序全套设备阵容。
复合测量仪用于测量电容量、绝缘电阻及耐电压等电气特性；超声波无损检测设备则检测难以从外观确认的内部裂纹、分层和空洞等问题。自动贴装机可精准放置超小型MLCC，切割机和转移机则负责层叠体切割及后续工序输送。
Hanul Semiconductor正推进一种商业模式：先通过外观检测设备进入客户生产线，随后将供应范围扩大至测量、内部检测及自动化设备。其战略并非止步于销售单台设备，而是成长为覆盖MLCC整个后段工序的设备供应商。
不过，全球MLCC企业扩建生产设施并不意味着会立即转化为设备订单。为获得新客户，公司还须经过设备性能评估、样品测试、量产线应用验证、价格及交期协商等多项程序。最终实际业务成果将取决于AI判定技术和处理速度能否在量产环境中满足客户需求，以及能够获得多少海外新客户。
Hanul Semiconductor相关人士表示：“用于AI服务器和电动汽车的MLCC，即使微小缺陷也可能影响产品可靠性，因此随着产能扩大，全检技术的重要性正在提高。我们通过结合高速输送技术、六面图像拍摄及AI缺陷判定，同时提升检测速度和准确度。”
该人士还称：“公司计划以外观检测设备为起点，将供应范围扩大至复合测量、自动贴装、超声波内部检测和工序自动化设备，构建覆盖MLCC后段工序整体领域的设备组合。”
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
