CIS芯片测试核心解析：暗电流、坏点、转换增益与ISP坏点矫正

CIS芯片测试这活儿，外行看着就是"拍张照，看图像清不清楚"，真正上手才知道，从晶圆上一颗没封装的裸片，到手机里能出成片的那颗传感器，中间要过的测试关卡多到能把人问住。我带过几个CIS测试相关的项目，也跟不少芯片测试工程师聊过，发现大家卡的点其实高度重合：暗电流到底怎么测才准、坏点判定的阈值怎么定、转换增益那套PTC曲线怎么算、相机调试里那个capture cis开关藏在哪里、ISP的坏点矫正和sensor端的坏点测试到底谁管谁。这些问题的答案，散在数据手册、应用笔记和老工程师的脑子里，网上很难找到一份能直接抄作业的完整版本。

这篇东西就是想把CIS芯片测试这条链路从头到尾捋一遍。我会按"测什么—为什么这么测—具体怎么操作—踩过哪些坑"的顺序讲，尽量给出能直接复现的参数、步骤和判定标准，也会解释每个选择背后的逻辑。不管你是刚入行的芯片测试工程师，还是做相机调试、模组验证的同行，或者是想搞明白自己手机摄像头那些黑点白点从哪来的技术爱好者，都能从里面拎出能用的东西。

1. CIS芯片测试到底在测什么

聊测试之前得先把测试对象说清楚。CIS是CMOS Image Sensor的缩写，也就是互补金属氧化物半导体图像传感器，它干的事只有一件：把打在像素阵列上的光子，转换成一个个数字码值输出。听起来简单，但这条链路上任何一环出问题，最后呈现出来的都是"图不对"。所以CIS测试的本质，不是去测某单个指标好不好，而是沿着从光子到码值的完整通路，把每一段的性能都量化出来，判断它是否落在规格窗口内。

我一般把CIS测试分成三条并行的线来看：电性能线、噪声线、图像质量线。电性能线关注的是像素能不能正常读出、驱动电压对不对、时序有没有跑通、接口输出是否稳定；噪声线关注暗电流、读出噪声、固定图案噪声这些东西，它们决定了传感器的下限；图像质量线则是把芯片当成一个"相机"来评估，灵敏度、信噪比、动态范围、色彩还原、坏点数量都在这一条线上。三条线各有各的测试项，但很多问题会在三条线之间交叉暴露，这也是CIS测试比较折磨人的地方。

1.1 一条从光子到数字码值的完整链路

要理解测试项，先得把信号链路拆开。光子穿过微透镜和彩色滤光片，打在光电二极管上，被转换成电子；电子积累在浮动扩散节点（FD）上，被源极跟随器转成电压；电压经过列级ADC采样量化，变成数字码值，再通过MIPI、LVDS或DVP接口送出去。整条链路上，光电转换效率、电荷转移效率、转换增益、读出噪声、ADC精度，每一个环节都会影响最终输出的质量。

这条链路的每一段都有对应的测试项。比如光电转换效率对应量子效率（QE）和灵敏度，电荷转移效率对应残像（Image Lag），转换增益对应FD节点的电容大小，读出噪声对应暗场下的码值波动，ADC精度对应输出的量化台阶。测试工程师要做的，就是设计各种光照、曝光、温度条件，把某一段的贡献单独"抠"出来。举个最典型的例子：想测读出噪声，就得在完全无光、极短曝光的条件下采图，把暗电流的贡献压到最低，剩下的波动才主要是读出噪声。

理解了这条链路，后面看到的每个测试项你都能对上号，而不是死记硬背一堆名词。这也是我一直跟新人强调的：别一上来就背测试规范，先把信号怎么走一遍搞清楚，测试项自然就串起来了。

1.2 测试项全景：电性能、噪声、图像质量三条线

把测试项铺开来看，大致是这么一张表。它不是为了让你照单全收，而是让你知道每项在测什么、依赖什么条件、结果异常时大概往哪个方向查。

这张表里，暗电流、坏点、转换增益、动态范围是最容易出问题、也最容易被误判的四项。后面我会挑这几项重点拆。这里先埋一个伏笔：很多"坏点"其实不是像素真坏了，而是测试条件没控好，比如温度漂了、光源不均匀、黑电平没校准，最后判定出来的坏点全是假阳性。这类坑在后面排查章节会专门讲。

2. 测试方案怎么搭：从探针台到积分球

搞清楚了测什么，接下来要解决"在哪测、用什么测"。CIS测试按阶段分，主要就是CP测试和FT测试两大块，再往后还有模组级的系统测试。这三者不是简单的先后关系，而是各有各的目的和取舍。选错了测试阶段，要么成本飙升，要么问题漏到后面去，返工代价极大。

我见过不少团队为了省事，把本该在CP阶段卡掉的问题拖到FT甚至模组阶段，结果封装好的芯片成批报废，损失比多花的那点测试时间大得多。所以方案设计的第一原则是：能在越早的阶段暴露的问题，就越要往前卡。下面先把CP和FT的分工逻辑讲清楚，再讲硬件怎么组合。

2.1 CP与FT的分工逻辑

CP是Chip Probing，晶圆级测试，用探针卡直接扎在晶圆的焊盘上，一颗颗芯片测过去。这个阶段芯片还没切割、没封装，测试速度快、成本相对低，但受限于探针接触和晶圆环境，能测的项目比较偏电性能和基础功能。CP阶段最典型的测试就是直流参数、基本时序、暗电流和粗略的坏点筛选。它的核心价值是在封装之前，把明显不合格的裸片挑出来，避免给坏片花封装钱。

FT是Final Test，封装之后的成品测试。这时候芯片已经是能直接用的器件了，可以接完整的光源系统、图像采集板，做全面的图像质量评估。灵敏度、信噪比、动态范围、色彩还原这些项目，基本都在FT阶段完成。FT的测试条件更接近实际使用，所以结果也更有参考价值，但成本高、节拍慢，不适合做全检的大批量筛选。

我的经验是，CP阶段重点卡"能不能用"，FT阶段重点卡"用得好不好"。两边的判定标准要联调好，不能出现CP判合格、FT大面积不合格的情况，那说明CP的筛选阈值定松了。反过来，CP阈值太紧又会造成良率虚低，浪费好片。这个平衡点，通常要靠前几批数据的分布来反复调。

2.2 硬件组合与选型考量

一套完整的CIS测试系统，核心是四个部分：探针台或测试插座、测试机（ATE或自研板卡）、光源系统、图像采集与分析软件。每一块的选型都直接影响测试结果的可靠性。

光源系统是重头戏。要做图像质量测试，光源必须足够均匀、足够稳定、色温可控。行业里最常用的是积分球，它能把点光源打散成非常均匀的面光源，配合标准色温灯（常用2856K的A光源或者D65），给传感器提供可重复的照明条件。积分球的均匀性一般要求达到95%以上，否则测出来的PRNU（光响应非均匀性）会混入光源自身的不均匀，根本没法分清是像素的问题还是光源的问题。

测试机方面，量产线一般用商用ATE，讲究的是多站点并行、节拍快、稳定性高。研发和验证阶段，很多团队会用FPGA自研采集板，灵活性高，能直接抓RAW数据、改时序、调增益，调试的时候特别顺手。我个人的偏好是：验证阶段一定用能出RAW的方案，因为只有拿到原始数据，你才能判断问题到底出在sensor还是后面的ISP。这一点在讲capture cis开关的时候还会展开。

图像分析软件这块，别指望买来就能用。每个项目的测试项、判定标准、报表格式都不一样，几乎都要二次开发。我的建议是把数据采集和分析解耦：采集端负责在固定条件下把RAW和元数据存下来，分析端用Python之类的脚本批量处理，这样算法改了不用重新采数据，效率高很多。

2.3 温度、光照、时序三大控制量

CIS测试里，有三个量必须死死控住，否则数据没法看：温度、光照、时序。

温度对暗电流的影响是指数级的。硅材料的暗电流大致遵循一个规律，工程上常按"每升高5到8摄氏度，暗电流翻一倍"来估算。这意味着温度飘个两三度，暗电流就可能差出二三十个百分点。所以暗电流测试一定要在恒温环境下做，高低温箱的温度稳定性至少要到正负0.5摄氏度。很多实验室图省事，常温下测暗电流，结果同一颗芯片今天测和明天测差一大截，就是环境温度在捣乱。

光照的控制体现在两件事上：亮度和均匀性。亮度靠积分球加可调光源来保证，均匀性靠积分球本身的质量和传感器的对位精度。传感器如果没放在积分球开口的正中心、有倾斜，接收到的光照就不均匀，测出来的坏点和PRNU全是假的。

时序这块最容易被忽视。CIS的曝光、读出、复位都有严格的时序要求，曝光时间和增益设定稍有偏差，测出来的灵敏度和噪声就全变了。尤其是做PTC曲线的时候，每一档曝光都要精确可控，曝光时间的误差会直接传到转换增益的计算结果上。我一般要求曝光时间的精度控制在百分之一以内，超过这个量级，PTC拟合出来的曲线就开始飘了。

3. 核心测试项实操：参数怎么测、怎么算

前面两章把框架搭好了，这一章进入硬核部分：几个关键测试项到底怎么测、数据怎么算、判定标准怎么定。我会尽量给出公式和计算过程，而不是只丢一个结论。这些内容你在数据手册里往往只能看到定义，看不到工程上真正怎么落地，所以我会把我实际操作里的处理方式也写进去。

3.1 暗电流与DSNU：全黑条件下的两件事

暗电流测试的条件很明确：完全遮光、控温、设定一个足够长的曝光时间。采一帧全黑的RAW图，整幅图的平均值减去黑电平基准，再除以曝光时间，就是暗电流对应的码值速率。如果要换算成物理单位，还得用转换增益把码值换成电子数，最后归一化到单位面积，得到暗电流密度。

这里有个细节特别关键：遮光一定要彻底。我见过有人用黑布盖镜头，结果黑布边缘漏光，测出来的暗电流偏高一大截，查了半天以为是芯片漏电。正确的做法是用不透光的金属遮光板，或者直接在暗室里测。另外，传感器周围如果有红外源，比如某些设备的指示灯，也可能被硅片响应到，一定要排查干净。

DSNU是暗信号非均匀性，测的是全黑条件下各像素之间的固定差异。做法是连续采多帧，先对每帧做时域平均压掉随机噪声，再计算空间上的标准差，除以均值得到相对值。DSNU反映的是像素之间的工艺差异，是固定图案噪声的一部分。它和暗电流不一样：暗电流是"整体有多暗"，DSNU是"暗得均不均匀"。

实际操作里，我可以给你一段分析脚本的骨架，直接改改就能用：

import numpy as np # 读取一帧全黑RAW，16位，分辨率假设是4000x3000 raw = np.fromfile("dark_1s.raw", dtype=np.uint16).reshape(3000, 4000).astype(np.float64) # 黑电平基准，一般取光学黑区（OB区）的均值 ob = raw[:, :64] black_level = ob.mean() # 有效像素区域 active = raw[:, 64:] # 去黑电平 signal = active - black_level # 暗电流均值（码值） dark_mean = signal.mean() # DSNU：空间标准差 / 均值 dsnu = signal.std() / (signal.mean() + 1e-9) print("dark mean (DN):", dark_mean) print("DSNU:", dsnu)

这段脚本里有两点要注意。第一，黑电平基准一定要用光学黑区来算，别用整幅图，因为有效像素区可能有漏光。第二，算DSNU之前最好先做多帧平均，单帧的随机噪声会污染空间标准差。我一般会采16到32帧做平均，效果比较稳。

3.2 转换增益与满阱容量：PTC曲线法

转换增益（Conversion Gain，CG）是CIS测试里最核心也最容易算错的参数之一。它的物理意义是：每个电子被转换后，在输出端对应多少电压或者多少码值。单位通常是微伏每电子，或者用系统增益K来表示，单位是电子每码值。CG越大，同样的电荷量对应的信号越大，读出噪声折算到电子数就越小。

测CG最标准的方法是光子转移曲线，也就是PTC。原理是这样的：在同一光照下，改变曝光时间，测一系列不同信号强度下的均值和方差。理想情况下，方差和均值满足线性关系，这条直线的斜率就是系统增益的倒数。具体来说，在码值域里，有方差等于均值除以K，所以K等于均值除以方差，斜率取倒数就得到K。

我把计算过程写出来，顺手给段脚本：

import numpy as np # means 和 vars_ 是不同曝光档位下，同一区域的平均码值和空间方差 means = np.array([320, 680, 1050, 1600, 2200, 2900], dtype=np.float64) vars_ = np.array([11.5, 24.1, 36.8, 55.9, 76.4, 100.2], dtype=np.float64) # 线性拟合 variance = mean / K + offset slope, intercept = np.polyfit(means, vars_, 1) K = 1.0 / slope print("system gain K (e-/DN):", K) # 满阱容量：线性区最大均值对应的电子数 fwc_dn = 12000 # 线性饱和点码值，需实测 fwc_e = fwc_dn * K print("full well capacity (e-):", fwc_e)

这里有几个实操要点。第一，PTC必须在信号的线性区内做，饱和点和暗噪声主导的低端都要剔除。低端信号太小，方差估计不准；高端接近饱和，方差会偏离线性。第二，采样区域要选均匀光照的中间区域，别选到边缘，否则PRNU会影响方差。第三，至少取5到6个曝光档位，档位之间信号要有明显的跨度，拟合出来的斜率才稳。

满阱容量（FWC）是另一个关键参数，代表像素能装多少电子，直接决定了动态范围的上限。它的测法是把曝光一路加长，直到输出码值不再随曝光线性增长，那个拐点就是饱和点。饱和点对应的电子数就是FWC。这里要注意区分两个饱和：一个是像素自己装满了，另一个是ADC先到顶了。如果是ADC先饱和，你测到的FWC是被ADC限制的，不是真实的阱容量。判定方法是看模拟增益设定，如果增益调低后饱和点变高，说明之前是被ADC卡住了。

3.3 坏点（Defect Pixel）测试：判定阈值怎么定

坏点是CIS测试里最有画面感的一项，也是最容易产生争议的一项。所谓坏点，就是那些输出明显偏离正常的像素，分为两类：暗场下的亮点叫白点，亮场下的暗点叫黑点。白点通常是像素漏电过大，黑点通常是像素响应不良或者被遮挡。

坏点的测试方法看着简单：在均匀光照下采图，算出全局均值和标准差，把偏离超过某个阈值的像素标记出来。但真正的难点在于阈值怎么定。阈值定太松，真坏点漏掉；定太紧，正常像素被冤枉成坏点，良率虚低。行业里通常用"偏离均值N倍标准差"来判定，N一般取5到8。但标准差本身会被坏点拉大，所以更严谨的做法是先用中位数绝对偏差（MAD）来估计正常的离散度，再用它做判定。

import numpy as np from scipy import ndimage raw = np.fromfile("flat_light.raw", dtype=np.uint16).reshape(3000, 4000).astype(np.float64) active = raw[:, 64:] med = np.median(active) mad = np.median(np.abs(active - med)) * 1.4826 # 归一化到标准差 # 白点（高于中位数）和黑点（低于中位数）分开判定 hot = active > med + 6 * mad cold = active < med - 6 * mad print("hot pixels:", hot.sum(), "cold pixels:", cold.sum()) # 统计坏点簇，单点和成簇的严重程度不同 lbl, n = ndimage.label(hot) print("hot clusters:", n)

这里必须强调坏点簇的概念。单颗孤立的坏点，ISP的坏点矫正算法一般能轻松修掉；但如果坏点成片出现，比如连成一条线或者一片有几十个，那多半是工艺或者电路的系统性问题，修起来很吃力，这类芯片一般直接判定不合格。所以统计坏点的时候，不光要数总数，还要看最大簇的大小和分布形态。

还有一点容易被忽略：坏点的判定要在多个曝光档位下做。有些像素在低照度下正常，高照度下才暴露；有些则相反。只测一个条件，很容易漏判。我一般至少测三档光照：暗场、中亮、接近饱和，三档下都正常的像素才算真正正常。

3.4 SNR、动态范围与色彩还原：整机视角的评估

前面几项测的是局部，SNR、动态范围和色彩还原测的是传感器的综合表现。信噪比的测法是在均匀光照下，选一个区域算信号均值，同时算时间上的噪声标准差，两者相除再取对数就是SNR。要注意这里的噪声必须用多帧的时域标准差，不能用单帧的空间标准差，否则混进了坏点和PRNU，结果偏低。

动态范围是满阱容量和读出噪声的比值，取对数。它的意义是传感器能同时记录最亮和最暗细节的能力。算法很直接：把FWC换成电子数，把读出噪声也换成电子数，二者相除取20倍对数。但工程上有个坑：单帧动态范围和实际成像动态范围是两回事。很多现代传感器用多帧合成或者双转换增益来扩展动态范围，这时候手册里的动态范围是合成后的值，不是单帧能测出来的。测的时候一定要看清楚规格定义的是哪种。

色彩还原一般在FT阶段用标准色卡来做。拍一张标准色卡，用标准光源照明，然后计算每个色块的色差，通常用ΔE来衡量。ΔE越小越好，一般成品要求平均ΔE在3以内。这一项对测试环境影响很大，光源色温不准、色卡反光、镜头有色差，都会让ΔE超标。所以色彩测试前，镜头和光源的标定一定要做扎实。

4. Capture CIS开关与ISP坏点矫正实操

这一章聊两个在调试现场被问得最多的问题。一个是capture cis开关在哪、怎么用，另一个是ISP的坏点矫正和sensor端的坏点测试是什么关系。这两个问题看着分开，其实绑在一起：当图像上出现黑点白点，你得先判断问题出在sensor还是ISP，capture cis开关就是那个帮你做判断的工具，而ISP坏点矫正则是问题定位后要调的算法。

4.1 Capture CIS开关在哪、什么时候用

先说capture cis开关是什么。在相机调试工具或者驱动配置里，有这么一类开关，它的作用是让传感器输出的RAW数据绕过ISP处理，直接被采集出来。你把它打开，抓到的就是传感器最原始的画面；关掉它，抓到的就是经过ISP处理的成品图。这个开关在问题定位时价值极高，因为它把"sensor"和"ISP"这两个环节给隔离开了。

至于这个开关"在哪"，要看你用的是哪套平台和工具。常见的几个位置：一是相机调试工具或调试APK里，一般放在抓图（capture）相关的配置页面；二是驱动层的配置文件里，通常在camera相关的dts或者vendor配置文件里，有个控制RAW和YUV输出的参数；三是在ISP调试工具自身的抓图模块里，会有RAW和processed两种采集模式可选。不同平台命名不一样，有的叫capture raw，有的叫bypass isp，有的干脆叫raw dump，但意思都是同一个。

用它的判断逻辑很简单：如果抓RAW图时能看到黑点白点，说明是sensor端的坏点，得回去查坏点测试和标定；如果RAW图干净，但成品图上有坏点，那说明是ISP坏点矫正没做好，或者矫正算法把正常像素改坏了。我在现场基本先做这一步分流，能省掉大量排查时间。很多人一上来就怀疑sensor，结果查了半天发现是ISP参数配错了，白折腾。

4.2 ISP坏点矫正（DPC）的原理与调试

ISP里的坏点矫正，英文一般叫DPC（Defect Pixel Correction）。它的基本思路是：对每个像素，跟它周围的邻居比较，如果偏离太远，就认为它是坏点，用邻居的插值把它替换掉。听起来简单，真正调起来有好几个要命的参数。

第一个是判定阈值。阈值太大，真坏点修不掉；太小，正常的纹理和边缘会被当成坏点修掉，画面变得糊或者出现异常。尤其是拍摄细密纹理的场景，比如织物、砖墙，阈值设太低会把纹理抹平。所以DPC的阈值一般要求跟场景和增益联动，高增益下噪声大，阈值要相应放宽。

第二个是矫正方式。最简单的做法是用四邻域或者八邻域的中值替换，简单可靠但会损失一点细节。更精细的做法会根据周围像素的方向性来插值，尽量保留边缘。不同ISP的算法不一样，但核心都是"判断准"和"补得自然"这两件事。

第三个是静态坏点表和动态检测的配合。传感器出厂前会把一批固定的坏点位置写进一次性可编程存储器（OTP）里，ISP启动时读出来，这些位置直接按表矫正，不参与动态判断。动态检测则负责那些没被标定到的、可能在温度变化后临时出现的坏点。两者配合，静态表管大头，动态算法兜底。

调试DPC最有效的方法，是拿一组覆盖各种光照和增益条件的测试图，每次只改一个参数，看画面里坏点和纹理的变化。我一般会准备一张专门的纹理测试图，专门盯边缘细节有没有被误修。别只看纯色背景，那个骗人的。

4.3 静态坏点OTP标定流程

静态坏点标定是连接sensor测试和ISP矫正的关键一环。它的流程大致是：在产线上用标准条件采图，按判定标准找出所有坏点坐标，把这些坐标写入OTP，最后让ISP读取使用。这套流程看着直白，但每一步都有讲究。

采图环节，光照条件必须极其稳定，因为坏点判定依赖全局统计，条件一变，判定结果就漂。有的产线会在同一个工位连采多档光照，取各档坏点的并集，避免漏判。坐标提取环节，判定阈值要跟测试规范严格对齐，并且要留出一定的余量，因为产线环境和实验室环境可能有细微差异。写入OTP环节，要注意OTP的容量和地址映射，坏点数量超过容量时怎么办、如何压缩存储，这些都是要提前规划好的。

这里有个很现实的坑：OTP写完是烧死的，一旦发现判错，芯片就废了。所以标定流程上线前，一定要用足够大的样本量做验证，确认判定阈值在各种边界情况下都稳，再正式烧录。我见过因为阈值定太紧，一批芯片OTP里写了几百个坏点，结果ISP矫正后画面出现大片异常插值，整批返工。

5. 常见问题与排查技巧实录

前面把该讲的原理和操作都讲完了，这一章全是实战里攒下来的东西。我整理成一张速查表，再加上几条我认为最值钱的经验。这些东西在规范文档里找不到，但恰恰是决定你能不能快速定位问题的关键。

5.1 问题速查表

下面这张表列的是CIS测试和调试中最常遇到的几类现象，以及对应的排查方向。遇到问题时先对着这张表过一遍，能省很多弯路。

5.2 几个血泪避坑经验

第一条，也是最重要的一条：测试条件没锁死之前，任何数据都别信。我踩过最惨的一个坑，是暗电流测试时空调出风口正对着测试台，温度忽高忽低，测出来的数据前后能差一倍。后来我把测试台挪到恒温区，数据立刻就稳了。所以做CIS测试，环境控制的重要性不亚于测试本身。

第二条，坏点判定一定要用鲁棒的统计量。前面提到的用MAD代替标准差，就是因为标准差不抗坏点污染。当一幅图里坏点比例稍高，标准差会被这些坏点拉大，导致判定阈值随之抬高，更多坏点被"洗白"漏掉。这个坑很隐蔽，新手特别容易中招。

第三条，PTC曲线一定要做线性区筛选。我见过有人把饱和点也拿去拟合，结果斜率全歪了，算出来的转换增益差出一倍。判断饱和点最直接的办法是画均值随曝光的变化曲线，看清楚那个拐点，拐点之后的档位全部剔除。

第四条，capture cis开关是排查的神器，但别依赖它做最终判定。RAW图是sensor的真相，但用户看到的是ISP处理后的成品。真正的问题往往在两者之间的关系上，所以RAW和成品图要对照着看，不能只看一个。

第五条，OTP标定的阈值要留余量。产线和实验室环境有差异，标定阈值如果和规格卡得死死的，到了产线就容易批量超限。我一般会留出百分之十到二十的余量，宁可多标一点，也别让好芯片被误判。

最后分享一个我自己的习惯：每次做完一轮测试，我会把原始RAW、测试条件、分析脚本和判定结果打包存一份，标好日期和环境参数。看起来麻烦，但等你几周后要复现某个异常现象，或者要对比不同批次的稳定性，这些存档能救命。CIS测试这行，数据可追溯比什么都重要。