简介《CMOS数字图像传感器行业调研》面向半导体、图像传感及消费电子领域的市场研究与产品规划人员聚焦全球及中国CMOS图像传感器产业规模、竞争格局与技术演进可用于行业摸底、竞品对标和投资决策参考。资源包仅含1份PDF报告约413KB体量轻便便于在电脑或移动端快速查阅与归档。报告围绕2017—2021年历史数据及2022—2028年预测展开覆盖销量、收入、价格、厂商份额、区域市场、前照式与背照式技术分类以及手机、安防监控、车载电子等应用场景并梳理Sony、Samsung、Omnivision等主要参与者的竞争态势。内容还涉及产业链上游原料、中游制造、下游需求及产能产量分析目录结构完整适合按章节检索关键数据。目前已有72人学习可作为行业研究入门与案头速查资料。1. 一颗几毫米的芯片为什么能卡住整机厂CMOS 数字图像传感器行业的集中度从哪来手机、车载、安防这三类设备里CMOS 数字图像传感器常常是物料清单上单价仅次于主芯片的器件但全球能稳定批量供货的厂商用两只手就能数完。做行业分析时最容易犯的错是把它当成一颗普通数字芯片用制程节点和晶体管密度去解释竞争格局。真正的分水岭在像素这一层光子要在硅里被收集、转移、放大再以模拟量的形式送进 ADC任何一步的噪声、暗电流和良率损失都没法靠后端算法完全补回来。这份调研把全球与本土的市场规模、厂商梯队、按技术类型和应用拆分的结构以及上下游产能摆在一起正好能把「份额为什么这么分布」从数字一路追回到器件物理。2. 光电转换的物理账本量子效率、满阱容量与读出噪声怎么互相挤占像素不是「一个感受光的电阻」它是一套有时序的模拟电路曝光、复位、转移、读出每一步都在花钱而像素面积就是那张总预算表。理解这张表才能看懂报告里那些按技术类型、按应用拆出来的份额曲线为什么长成那个形状——技术路线的胜负往往取决于哪一方能把预算表上的三项开销压得更低。2.1 一个像素里的四个晶体管4T 结构到底在解决什么问题主流的有源像素基本是 4T 结构光电二极管负责积累电荷转移栅 TG 把电荷整体搬到浮空扩散节点 FD复位管 RST 把 FD 拉回参考电平源随器 SF 做缓冲行选管 RS 把信号送上列总线。真正关键的是那个「钉扎光电二极管」——把光电二极管表面钉扎住让电荷在体内积累而不是在硅-氧化层界面表面态带来的暗电流和复合噪声才被压下去。读出时序决定了噪声能压到多低def readout_4t(pixel, use_cdsTrue): 一次 4T 像素读出的最小序列省略了列 ADC 与增益切换 pixel.rst.on(); pixel.settle(us2) # 复位 FD 到参考电平 pixel.rst.off() v_reset pixel.sf.read() # S1读复位电平此时 FD 上是纯噪声失调 pixel.tx.on(); pixel.settle(us3) # 打开转移栅PPD 电荷全部倒入 FD pixel.tx.off() v_signal pixel.sf.read() # S2读信号电平 # 相关双采样两次相减复位噪声 kTC 与源随器阈值离散被抵消 return (v_signal - v_reset) if use_cds else v_signal这段序列里有两个容易被忽略的点。一是「全部倒入」转移栅必须把光电二极管彻底耗尽如果还有残留电荷没搬走下一帧就会叠加上去画面里表现为运动物体的拖影工程上叫图像滞后。二是相关双采样它把复位噪声这个低频分量在模拟域就扣掉了如果不做后面再怎么用数字校正也只能压掉一部分。整条链路上模拟域能解决的事情不要留给数字域这是像素设计的血泪经验。2.2 量子效率、满阱容量、读出噪声三个互相挤占的预算三个参数决定了像素的上限。量子效率 QE 是入射光子转化成电子的比例它跟微透镜、滤光片、硅的吸收深度、表面反射都有关系满阱容量 FWC 是这个像素最多能装多少电子装满了就饱和高光细节全丢读出噪声则决定了暗部能分辨到多细。动态范围就是这三项的比值游戏import math QE 0.75 # 有效量子效率含微透镜与滤光片损耗 FWC_E 8000 # 满阱容量单位电子 READ_E 2.0 # 读出噪声单位电子含源随器与列 ADC 折算 DARK_EPS 0.5 # 暗电流电子/秒/像素 def snr_db(photons, t_exp1/60): sig min(photons * QE DARK_EPS * t_exp, FWC_E) # 饱和截断 shot math.sqrt(sig) # 散粒噪声与信号同根号 total math.sqrt(shot**2 READ_E**2) # 独立噪声正交叠加 return 20 * math.log10(sig / total) print(f动态范围上限 ≈ {20*math.log10(FWC_E/READ_E):.1f} dB) for p in (100, 1000, 10000, 100000): print(f入射光子 {p:6} - SNR {snr_db(p):5.1f} dB)跑出来的结论很有代表性光子数只有一百来个的时候信噪比不到 20dB噪点明显光子数上千以后散粒噪声占主导曲线斜率变成每十倍光子提升 10dB。这就是为什么暗光画质几乎完全取决于进光量而进光量取决于像素面积和量子效率跟后端锐化算法关系不大。动态范围上限约 72dB大概十三档曝光而车载场景要求 120dB 以上差了整整八档——这个缺口必须靠架构去补而不是靠调参。2.3 像素越做越小为什么画质没有等比例崩塌按平方反比算像素边长缩一半满阱容量掉到四分之一动态范围应该崩掉两档。实际产品里确实掉了但没掉那么狠靠的是一整套工艺补偿。深沟隔离把相邻像素之间用氧化层隔开抑制光学和电学串扰深光电二极管把收集区往下挖让红光在更深处被吸收微透镜与光导结构把斜入射的光掰回感光区边缘像素的响应才不会明显跌落。再往后就是系统层面的补救。四合一、九合一这类像素合并把相邻同色像素的电荷加起来读等效满阱容量和灵敏度都上去了代价是分辨率下降多帧合成用时间换动态范围代价是运动伪影。手机影像这些年本质上是「单像素物理性能下降」与「计算补偿能力上升」两条曲线的赛跑而这条赛跑的分界线恰好就是报告里按技术类型拆分所呈现的结构变化——不是某一方胜出而是不同价位段选了不同的补偿组合。3. 从前照式到背照式再到堆栈金属层挡光这件事怎么被一步步绕开像素面积压到 1 微米附近时一个纯几何问题浮出水面感光区上方还压着好几层金属互连光是斜着进来的被挡住的部分越来越多。整个 CIS 的工艺演进史几乎就是一部「如何把金属层从光的路上挪开」的历史。这条演进路线也解释了为什么行业产能牢牢捏在少数几家手里——每一代结构变化背后都是一次晶圆厂的工艺能力和良率管理的重新洗牌。3.1 前照式的物理天花板金属开口与光学串扰前照式是最直觉的结构光从晶圆正面进穿过钝化层、层间介质从金属互连的缝隙里落到光电二极管上。像素越小时金属层的开口比例越低有效进光率会非线性下降同时斜入射的光会穿过缝隙打到邻近像素形成光学串扰表现为色彩混叠和分辨率下降。一个一阶估算能把这个趋势讲清楚import math def fsi_effective_qe(qe_intrinsic, metal_cover0.35, n_layers3, t_ox_nm600): 前照式有效量子效率的一阶经验模型 aperture —— 金属开口比例随像素缩小而下降 atten —— 光穿过层间介质的经验衰减非严格物理常数 aperture 1.0 - metal_cover atten math.exp(-n_layers * t_ox_nm / 4000.0) return qe_intrinsic * aperture * atten print(f前照式有效 QE ≈ {fsi_effective_qe(0.85):.3f}) # 约 0.35 print(f背面进光有效 QE ≈ {0.85 * 0.95:.3f}) # 约 0.81只剩表面反射损耗这个模型粗糙但量级是对的前照式在大像素上还能接受一旦像素缩小、金属覆盖率上升进光率会迅速跌破一半。这不是靠提高驱动电压或者延长曝光能补回来的损失只能改结构。3.2 背面进光BSI 的工艺代价与良率账背面进光的思路很直接把晶圆背面磨薄到只剩几微米的有效吸收层让光从背面直接照射光电二极管金属互连层挪到了背面不再挡光。开口率接近百分之百串扰靠深沟隔离和背面结构抑制灵敏度提升一个档次。代价在工艺上。晶圆要减薄到几微米机械上根本立不住必须先键合到临时载片上再磨磨完之后背面要做钝化、抗反射层、微透镜、滤色片每一步都对洁净度和均匀性极敏感减薄后的硅厚度一致性直接决定不同颜色的响应曲线厚度偏差会在画面上表现为色差和暗角。良率账算下来同一条产线上背面进光产品的成本明显更高这就解释了为什么技术替代不是一刀切低价位段长期用前照式中高端逐步全面转向背面进光中间是一个按价位分层的过渡过程而不是某一年突然切换。3.3 堆栈与混合键合把逻辑和存储搬到像素背面再往下走像素区的面积已经紧张到连外围电路都放不下了于是出现堆栈式结构把像素晶圆和逻辑晶圆分开做再用铜-铜混合键合把两片晶圆面对面对接键合间距可以做到亚微米级相当于给每一列像素单独接一根高速数据线。这一步带来的收益不止是面积。逻辑侧可以用更先进的制程做列并行 ADC、时序控制和图像信号处理像素侧则专心做光电转换两边各自用最合适的工艺高速读出成为可能帧率和数据带宽都上一个台阶把 DRAM 再叠一层就是像素旁边的缓存能支撑极高速连拍。代价是测试和良率。两片晶圆键合之后一颗好像素配上一颗坏逻辑整颗就废了业内叫「已知合格芯片」问题。所以堆栈产品的成本模型和传统单die完全不同单片良率再高键合良率也会把它乘一次。这也是为什么堆栈结构先在旗舰手机和高端车载上落地而不是全行业铺开。产能也一样能做混合键合的产线数量有限扩产周期以年计行业集中度高很大程度上不是市场行为而是工艺能力决定的。3.4 产业链为什么产能不在设计公司手里从产业链看上游是晶圆制造与特殊工艺中游是封装测试和模组下游是整机。设计公司掌握的是像素架构、时序控制和校准算法但像素能不能做出来、良率多少取决于代工方的工艺平台成熟度。无晶圆厂的设计公司可以快速定义产品却很难在产能紧张时抢到排期有自有产线的厂商则在工艺迭代上占优势一代新结构可以从试验线直接推到量产。封测环节常被低估。CIS 出厂前要做缺陷像素校准、黑电平校准、镜头阴影校正这些参数要写进一次性可编程存储区跟着每颗芯片走。校准做得好不好直接决定同一批芯片的成像一致性。所以「能设计出来」和「能量产交付」之间隔着一段很长的路这一段恰好是行业分析里最容易被忽略的部分。4. 快门时序与动态范围车载和安防为什么不能沿用手机的曝光策略同一套像素工艺放到手机上是一套调参逻辑放到车上就是另一套甚至可以说是两种不同的器件。差别不在于分辨率而在于时序光什么时候开始积累、什么时候结束、多快读完这些直接决定了画面在运动场景下是否可信。行业分析里把应用拆成手机、安防、车载几条线本质上是按这些时序指标在做分层。4.1 卷帘快门的行时序果冻效应是读出架构的必然CMOS 像素的信号必须通过列总线逐行读出所以整帧不可能所有行同时开始曝光。默认做法是卷帘快门各行按行时间依次开始曝光再依次结束。行时间等于帧周期除以行数整帧的滚动读出时间基本等于帧周期。fps, rows 30, 1080 line_time 1 / (fps * rows) # 单行时间 frame_read line_time * rows # 整帧滚动读出时间 v_px_per_ms 0.5 # 目标在像面上的移动速度 skew_px v_px_per_ms * frame_read * 1e3 print(f行时间 {line_time*1e6:.1f} µs滚动读出 {frame_read*1e3:.1f} ms帧内位移 {skew_px:.1f} px)三十帧下这个位移是十几个像素人眼很容易看出高速旋转的扇叶变成歪的、横穿画面的车被拉斜。这不是镜头的问题也不是算法能完全修好的问题——因为每一行记录的是不同时刻的世界信息本身就不自洽。手机可以用陀螺仪数据做时序补偿但补偿的前提是场景近似刚性且运动可建模一旦画面里同时有多个不同速度的物体校正就会失效。4.2 全局快门与 LED 频闪抑制车载的两个硬指标车载场景不能接受这种时序不确定性。机器视觉要做测距、识别、跟踪每一行记录不同时刻会导致几何失真直接传到下游算法。全局快门给每个像素加一个遮光的电荷存储节点整阵列同时开始曝光、同时结束之后才逐行读出。代价很实在存储节点要占面积要做遮光漏电还会贡献暗电流所以全局快门像素很难做小同样分辨率下芯片更大、成本更高。第二个硬指标是频闪抑制。车灯、信号灯、交通标识的 LED 大多用脉冲宽度调制调光频率从几十赫兹到几千赫兹。卷帘快门如果曝光时间短于调制周期不同行就会落在脉冲的不同相位上画面出现明暗条纹。判断方法很直接def flicker_ripple(f_pwm, t_exp): 曝光窗覆盖的调制周期不是整数时积分能量会随相位波动 cycles f_pwm * t_exp return abs(cycles - round(cycles)) / max(cycles, 1e-9) for t in (1/8000, 1/500, 1/60): print(f曝光 1/{1/t:.0f}s - 200Hz 光源亮度波动 {flicker_ripple(200, t)*100:5.1f}%)短曝光下波动极大长曝光下逐渐收敛。但长曝光又会把运动物体拍糊于是出现矛盾抓拍高光需要短曝光抑制频闪需要长曝光。业内的解法是分像素结构——同一个像素拆成大小两个子像素同时曝光、灵敏度不同一次读出拿到两档信息再合成高动态范围画面。这样既能用短曝光的那一路保住高光又能让长曝光的那一路把频闪抹平。4.3 动态范围的三条路线多曝光、双转换增益、分像素多曝光合成是最早的方案长曝光和短曝光交替拍两帧再拼成本低但两帧之间有时间差运动物体边缘会出现拼接痕迹。双转换增益是在像素里放两个不同容量的浮空扩散节点一帧内先读高灵敏度小电容暗部再切到大电容读高光时间差缩到微秒级伪影大幅减少。分像素则是把上面说的子像素结构做进版图同时性最好代价是面积和工艺复杂度。三条路线的取舍正好对应三类应用手机看重成本和体积多用双转换增益加分像素的组合安防看重低照度和红外响应更依赖大像素和背面进光车载看重可靠性和同时性愿意为全局快门和分像素付溢价。这也是为什么同样叫 CIS不同应用的单价能差出好几倍——价格差异背后的东西是时序能力和可靠性并不只是分辨率。5. 读行业报告时的常见问题份额、CAGR 与产能口径的五个陷阱数据本身不会骗人但口径会。同一份报告里按收入算的集中度和按销量算的集中度可以差出十几个百分点产能利用率和实际出货量之间隔着良率技术类型的份额上升不等于老技术退出。这几条是我在对照上下游数据时反复踩过的坑写出来给需要做判断的人省点时间。5.1 陷阱一收入份额和销量份额说的不是一回事现象是两份材料给出的前三名合计份额相差明显一个接近九成一个只有七成多看的人以为数据打架。原因是高端产品和低端产品的单价能差十倍以上按收入排头部厂商占比被放大按销量排主打中低端的厂商份额被放大。解决方法是拿到数据后先算平均单价再看两种口径的差额是否集中在某几家身上。import pandas as pd df pd.DataFrame({ vendor: [厂商A, 厂商B, 厂商C, 厂商D], rev_2021: [1200, 800, 300, 150], # 万元 ship_2021: [90, 70, 40, 25], # 千件 }) # 统一换算成 元/件避免万元与千件相互抵消造成误读 df[asp_yuan] df[rev_2021] * 1e4 / (df[ship_2021] * 1e3) df[share_rev] df[rev_2021] / df[rev_2021].sum() df[share_ship] df[ship_2021] / df[ship_2021].sum() print(df.round(3)) print(CR3 收入口径 , df[share_rev].nlargest(3).sum().round(3)) print(CR3 销量口径 , df[share_ship].nlargest(3).sum().round(3))这段代码的价值不在计算而在强制把单价这列算出来摆在眼前。单价一旦算出来谁是高端定位、谁靠走量、两种口径的差额来自哪里一眼就清楚了。报告里如果没写集中度是按哪个口径算的这个数就不该直接引用。5.2 陷阱二CAGR 的起止年与币种现象是历史段的增速和预测段的增速被放在一句话里对比读者以为是同一个趋势。原因是两段的基数完全不同历史段从一个较低基数出发预测段从已经抬高的基数出发即便绝对值增长一样算出来的百分比也差很多。还有一种情况是收入用本币、市场规模用外币换算年份不同增速就被人为放大或缩小。解决方法是把所有增速还原成绝对值和年份序列自己重算一遍。复合增长率的定义是末值比首值的 n 分之一次方减一n 是间隔年数而不是数据点个数这一点在跨年数据上经常被算错一年。5.3 陷阱三产能、产量、出货量、装机量现象是上游说产能紧张下游说出货量增长两组数据放在一起看不出矛盾。原因在于产能是投片能力产量是合格die的产出出货量还要经过封装测试和模组环节每一层都有损耗。产能利用率高不等于供给充足因为良率可能同时在下降出货量增长也不等于装机量增长因为渠道库存会吸收一部分。解决方法是把链条画出来每一层标上损耗项晶圆投片、良率、封装良率、模组良率、渠道库存。任何一个环节的百分比变化传导到终端都可能被放大。5.4 陷阱四技术类型份额不等于替代速度现象是某种结构的份额逐年上升被解读为老结构正在退出。实际是新增产能全部投向新结构老结构存量产线还在满负荷跑尤其在低价位段。解决方法是看绝对量而不只看占比如果老结构的绝对出货量没有下降只是占比被稀释那就是「增量替代」而不是「存量替代」两者的产业含义完全不同前者说明需求在扩张后者才是真正的技术换代。5.5 陷阱五应用边界重叠现象是几个应用分类的规模加起来大于总量或者某类产品的归属在不同材料里不一致。原因是边界本身在移动比如带屏设备的前摄与后摄、车载的舱内与舱外、安防的消费级与行业级统计口径一旦不一致就会重复计数。解决方法是看报告有没有给出分类定义和去重说明没有的话拆分数据只能用来比较相对增速不能用来加总。6. 设计取舍为什么没有一颗「全能」的传感器把前面几章的账合起来看会发现所有指标都指向同一块面积。满阱容量要面积全局快门的存储节点要面积分像素的两路子像素要面积背面进光之后的片上透镜和遮光结构也要面积。像素就那么大给谁多一点另一项就必然少一点这是物理约束不是工程懒惰。指标手机主摄安防车载冲突对象像素尺寸小靠合并补大优先灵敏度中大兼顾动态范围分辨率快门方式卷帘卷帘为主全局为主像素面积、成本动态范围靠多帧与双增益靠大满阱靠分像素一次成型读出速度、面积频闪抑制弱需求中等硬指标短曝光抓拍成本敏感度高中低工艺复杂度这张表解释了一个常被误解的现象为什么头部厂商在不同应用上的份额结构差别很大。原因在于能力组合不同并不是某一家的技术全面领先——擅长小像素高分辨率的未必擅长全局快门擅长低照度的未必能过车规的可靠性和一致性门槛。行业集中度高本质上是「同时把多项指标做到量产水平」的厂商本来就少而不是市场被人为划分。验证一个判断最笨也最有效的办法是拿报告里某个厂商的单价和产品线做交叉核对单价明显高于同行的去看它的技术类型和应用分布是不是集中在高端单价低的去看它的出货量是不是靠低价位段撑起来的。如果单价、技术类型、应用三条线互相矛盾那多半是口径出了问题回到第 5 章那几条去排查。我早年做技术选型时吃过一次亏只看了一份材料的份额排名就下了结论后来把收入口径换成销量口径重算排序直接变了两位之前写的分析全得推翻。从那以后我每次拿到这类行业数据都强制走一遍「先算单价、再对口径、最后看绝对量」这三步宁可多花半小时也不愿再返工一次。希望帮到你。本文还有配套的精品资源点击获取 CMOS图像传感器行业集中度从何而来：像素物理、工艺路线与应用分层
简介《CMOS数字图像传感器行业调研》面向半导体、图像传感及消费电子领域的市场研究与产品规划人员聚焦全球及中国CMOS图像传感器产业规模、竞争格局与技术演进可用于行业摸底、竞品对标和投资决策参考。资源包仅含1份PDF报告约413KB体量轻便便于在电脑或移动端快速查阅与归档。报告围绕2017—2021年历史数据及2022—2028年预测展开覆盖销量、收入、价格、厂商份额、区域市场、前照式与背照式技术分类以及手机、安防监控、车载电子等应用场景并梳理Sony、Samsung、Omnivision等主要参与者的竞争态势。内容还涉及产业链上游原料、中游制造、下游需求及产能产量分析目录结构完整适合按章节检索关键数据。目前已有72人学习可作为行业研究入门与案头速查资料。1. 一颗几毫米的芯片为什么能卡住整机厂CMOS 数字图像传感器行业的集中度从哪来手机、车载、安防这三类设备里CMOS 数字图像传感器常常是物料清单上单价仅次于主芯片的器件但全球能稳定批量供货的厂商用两只手就能数完。做行业分析时最容易犯的错是把它当成一颗普通数字芯片用制程节点和晶体管密度去解释竞争格局。真正的分水岭在像素这一层光子要在硅里被收集、转移、放大再以模拟量的形式送进 ADC任何一步的噪声、暗电流和良率损失都没法靠后端算法完全补回来。这份调研把全球与本土的市场规模、厂商梯队、按技术类型和应用拆分的结构以及上下游产能摆在一起正好能把「份额为什么这么分布」从数字一路追回到器件物理。2. 光电转换的物理账本量子效率、满阱容量与读出噪声怎么互相挤占像素不是「一个感受光的电阻」它是一套有时序的模拟电路曝光、复位、转移、读出每一步都在花钱而像素面积就是那张总预算表。理解这张表才能看懂报告里那些按技术类型、按应用拆出来的份额曲线为什么长成那个形状——技术路线的胜负往往取决于哪一方能把预算表上的三项开销压得更低。2.1 一个像素里的四个晶体管4T 结构到底在解决什么问题主流的有源像素基本是 4T 结构光电二极管负责积累电荷转移栅 TG 把电荷整体搬到浮空扩散节点 FD复位管 RST 把 FD 拉回参考电平源随器 SF 做缓冲行选管 RS 把信号送上列总线。真正关键的是那个「钉扎光电二极管」——把光电二极管表面钉扎住让电荷在体内积累而不是在硅-氧化层界面表面态带来的暗电流和复合噪声才被压下去。读出时序决定了噪声能压到多低def readout_4t(pixel, use_cdsTrue): 一次 4T 像素读出的最小序列省略了列 ADC 与增益切换 pixel.rst.on(); pixel.settle(us2) # 复位 FD 到参考电平 pixel.rst.off() v_reset pixel.sf.read() # S1读复位电平此时 FD 上是纯噪声失调 pixel.tx.on(); pixel.settle(us3) # 打开转移栅PPD 电荷全部倒入 FD pixel.tx.off() v_signal pixel.sf.read() # S2读信号电平 # 相关双采样两次相减复位噪声 kTC 与源随器阈值离散被抵消 return (v_signal - v_reset) if use_cds else v_signal这段序列里有两个容易被忽略的点。一是「全部倒入」转移栅必须把光电二极管彻底耗尽如果还有残留电荷没搬走下一帧就会叠加上去画面里表现为运动物体的拖影工程上叫图像滞后。二是相关双采样它把复位噪声这个低频分量在模拟域就扣掉了如果不做后面再怎么用数字校正也只能压掉一部分。整条链路上模拟域能解决的事情不要留给数字域这是像素设计的血泪经验。2.2 量子效率、满阱容量、读出噪声三个互相挤占的预算三个参数决定了像素的上限。量子效率 QE 是入射光子转化成电子的比例它跟微透镜、滤光片、硅的吸收深度、表面反射都有关系满阱容量 FWC 是这个像素最多能装多少电子装满了就饱和高光细节全丢读出噪声则决定了暗部能分辨到多细。动态范围就是这三项的比值游戏import math QE 0.75 # 有效量子效率含微透镜与滤光片损耗 FWC_E 8000 # 满阱容量单位电子 READ_E 2.0 # 读出噪声单位电子含源随器与列 ADC 折算 DARK_EPS 0.5 # 暗电流电子/秒/像素 def snr_db(photons, t_exp1/60): sig min(photons * QE DARK_EPS * t_exp, FWC_E) # 饱和截断 shot math.sqrt(sig) # 散粒噪声与信号同根号 total math.sqrt(shot**2 READ_E**2) # 独立噪声正交叠加 return 20 * math.log10(sig / total) print(f动态范围上限 ≈ {20*math.log10(FWC_E/READ_E):.1f} dB) for p in (100, 1000, 10000, 100000): print(f入射光子 {p:6} - SNR {snr_db(p):5.1f} dB)跑出来的结论很有代表性光子数只有一百来个的时候信噪比不到 20dB噪点明显光子数上千以后散粒噪声占主导曲线斜率变成每十倍光子提升 10dB。这就是为什么暗光画质几乎完全取决于进光量而进光量取决于像素面积和量子效率跟后端锐化算法关系不大。动态范围上限约 72dB大概十三档曝光而车载场景要求 120dB 以上差了整整八档——这个缺口必须靠架构去补而不是靠调参。2.3 像素越做越小为什么画质没有等比例崩塌按平方反比算像素边长缩一半满阱容量掉到四分之一动态范围应该崩掉两档。实际产品里确实掉了但没掉那么狠靠的是一整套工艺补偿。深沟隔离把相邻像素之间用氧化层隔开抑制光学和电学串扰深光电二极管把收集区往下挖让红光在更深处被吸收微透镜与光导结构把斜入射的光掰回感光区边缘像素的响应才不会明显跌落。再往后就是系统层面的补救。四合一、九合一这类像素合并把相邻同色像素的电荷加起来读等效满阱容量和灵敏度都上去了代价是分辨率下降多帧合成用时间换动态范围代价是运动伪影。手机影像这些年本质上是「单像素物理性能下降」与「计算补偿能力上升」两条曲线的赛跑而这条赛跑的分界线恰好就是报告里按技术类型拆分所呈现的结构变化——不是某一方胜出而是不同价位段选了不同的补偿组合。3. 从前照式到背照式再到堆栈金属层挡光这件事怎么被一步步绕开像素面积压到 1 微米附近时一个纯几何问题浮出水面感光区上方还压着好几层金属互连光是斜着进来的被挡住的部分越来越多。整个 CIS 的工艺演进史几乎就是一部「如何把金属层从光的路上挪开」的历史。这条演进路线也解释了为什么行业产能牢牢捏在少数几家手里——每一代结构变化背后都是一次晶圆厂的工艺能力和良率管理的重新洗牌。3.1 前照式的物理天花板金属开口与光学串扰前照式是最直觉的结构光从晶圆正面进穿过钝化层、层间介质从金属互连的缝隙里落到光电二极管上。像素越小时金属层的开口比例越低有效进光率会非线性下降同时斜入射的光会穿过缝隙打到邻近像素形成光学串扰表现为色彩混叠和分辨率下降。一个一阶估算能把这个趋势讲清楚import math def fsi_effective_qe(qe_intrinsic, metal_cover0.35, n_layers3, t_ox_nm600): 前照式有效量子效率的一阶经验模型 aperture —— 金属开口比例随像素缩小而下降 atten —— 光穿过层间介质的经验衰减非严格物理常数 aperture 1.0 - metal_cover atten math.exp(-n_layers * t_ox_nm / 4000.0) return qe_intrinsic * aperture * atten print(f前照式有效 QE ≈ {fsi_effective_qe(0.85):.3f}) # 约 0.35 print(f背面进光有效 QE ≈ {0.85 * 0.95:.3f}) # 约 0.81只剩表面反射损耗这个模型粗糙但量级是对的前照式在大像素上还能接受一旦像素缩小、金属覆盖率上升进光率会迅速跌破一半。这不是靠提高驱动电压或者延长曝光能补回来的损失只能改结构。3.2 背面进光BSI 的工艺代价与良率账背面进光的思路很直接把晶圆背面磨薄到只剩几微米的有效吸收层让光从背面直接照射光电二极管金属互连层挪到了背面不再挡光。开口率接近百分之百串扰靠深沟隔离和背面结构抑制灵敏度提升一个档次。代价在工艺上。晶圆要减薄到几微米机械上根本立不住必须先键合到临时载片上再磨磨完之后背面要做钝化、抗反射层、微透镜、滤色片每一步都对洁净度和均匀性极敏感减薄后的硅厚度一致性直接决定不同颜色的响应曲线厚度偏差会在画面上表现为色差和暗角。良率账算下来同一条产线上背面进光产品的成本明显更高这就解释了为什么技术替代不是一刀切低价位段长期用前照式中高端逐步全面转向背面进光中间是一个按价位分层的过渡过程而不是某一年突然切换。3.3 堆栈与混合键合把逻辑和存储搬到像素背面再往下走像素区的面积已经紧张到连外围电路都放不下了于是出现堆栈式结构把像素晶圆和逻辑晶圆分开做再用铜-铜混合键合把两片晶圆面对面对接键合间距可以做到亚微米级相当于给每一列像素单独接一根高速数据线。这一步带来的收益不止是面积。逻辑侧可以用更先进的制程做列并行 ADC、时序控制和图像信号处理像素侧则专心做光电转换两边各自用最合适的工艺高速读出成为可能帧率和数据带宽都上一个台阶把 DRAM 再叠一层就是像素旁边的缓存能支撑极高速连拍。代价是测试和良率。两片晶圆键合之后一颗好像素配上一颗坏逻辑整颗就废了业内叫「已知合格芯片」问题。所以堆栈产品的成本模型和传统单die完全不同单片良率再高键合良率也会把它乘一次。这也是为什么堆栈结构先在旗舰手机和高端车载上落地而不是全行业铺开。产能也一样能做混合键合的产线数量有限扩产周期以年计行业集中度高很大程度上不是市场行为而是工艺能力决定的。3.4 产业链为什么产能不在设计公司手里从产业链看上游是晶圆制造与特殊工艺中游是封装测试和模组下游是整机。设计公司掌握的是像素架构、时序控制和校准算法但像素能不能做出来、良率多少取决于代工方的工艺平台成熟度。无晶圆厂的设计公司可以快速定义产品却很难在产能紧张时抢到排期有自有产线的厂商则在工艺迭代上占优势一代新结构可以从试验线直接推到量产。封测环节常被低估。CIS 出厂前要做缺陷像素校准、黑电平校准、镜头阴影校正这些参数要写进一次性可编程存储区跟着每颗芯片走。校准做得好不好直接决定同一批芯片的成像一致性。所以「能设计出来」和「能量产交付」之间隔着一段很长的路这一段恰好是行业分析里最容易被忽略的部分。4. 快门时序与动态范围车载和安防为什么不能沿用手机的曝光策略同一套像素工艺放到手机上是一套调参逻辑放到车上就是另一套甚至可以说是两种不同的器件。差别不在于分辨率而在于时序光什么时候开始积累、什么时候结束、多快读完这些直接决定了画面在运动场景下是否可信。行业分析里把应用拆成手机、安防、车载几条线本质上是按这些时序指标在做分层。4.1 卷帘快门的行时序果冻效应是读出架构的必然CMOS 像素的信号必须通过列总线逐行读出所以整帧不可能所有行同时开始曝光。默认做法是卷帘快门各行按行时间依次开始曝光再依次结束。行时间等于帧周期除以行数整帧的滚动读出时间基本等于帧周期。fps, rows 30, 1080 line_time 1 / (fps * rows) # 单行时间 frame_read line_time * rows # 整帧滚动读出时间 v_px_per_ms 0.5 # 目标在像面上的移动速度 skew_px v_px_per_ms * frame_read * 1e3 print(f行时间 {line_time*1e6:.1f} µs滚动读出 {frame_read*1e3:.1f} ms帧内位移 {skew_px:.1f} px)三十帧下这个位移是十几个像素人眼很容易看出高速旋转的扇叶变成歪的、横穿画面的车被拉斜。这不是镜头的问题也不是算法能完全修好的问题——因为每一行记录的是不同时刻的世界信息本身就不自洽。手机可以用陀螺仪数据做时序补偿但补偿的前提是场景近似刚性且运动可建模一旦画面里同时有多个不同速度的物体校正就会失效。4.2 全局快门与 LED 频闪抑制车载的两个硬指标车载场景不能接受这种时序不确定性。机器视觉要做测距、识别、跟踪每一行记录不同时刻会导致几何失真直接传到下游算法。全局快门给每个像素加一个遮光的电荷存储节点整阵列同时开始曝光、同时结束之后才逐行读出。代价很实在存储节点要占面积要做遮光漏电还会贡献暗电流所以全局快门像素很难做小同样分辨率下芯片更大、成本更高。第二个硬指标是频闪抑制。车灯、信号灯、交通标识的 LED 大多用脉冲宽度调制调光频率从几十赫兹到几千赫兹。卷帘快门如果曝光时间短于调制周期不同行就会落在脉冲的不同相位上画面出现明暗条纹。判断方法很直接def flicker_ripple(f_pwm, t_exp): 曝光窗覆盖的调制周期不是整数时积分能量会随相位波动 cycles f_pwm * t_exp return abs(cycles - round(cycles)) / max(cycles, 1e-9) for t in (1/8000, 1/500, 1/60): print(f曝光 1/{1/t:.0f}s - 200Hz 光源亮度波动 {flicker_ripple(200, t)*100:5.1f}%)短曝光下波动极大长曝光下逐渐收敛。但长曝光又会把运动物体拍糊于是出现矛盾抓拍高光需要短曝光抑制频闪需要长曝光。业内的解法是分像素结构——同一个像素拆成大小两个子像素同时曝光、灵敏度不同一次读出拿到两档信息再合成高动态范围画面。这样既能用短曝光的那一路保住高光又能让长曝光的那一路把频闪抹平。4.3 动态范围的三条路线多曝光、双转换增益、分像素多曝光合成是最早的方案长曝光和短曝光交替拍两帧再拼成本低但两帧之间有时间差运动物体边缘会出现拼接痕迹。双转换增益是在像素里放两个不同容量的浮空扩散节点一帧内先读高灵敏度小电容暗部再切到大电容读高光时间差缩到微秒级伪影大幅减少。分像素则是把上面说的子像素结构做进版图同时性最好代价是面积和工艺复杂度。三条路线的取舍正好对应三类应用手机看重成本和体积多用双转换增益加分像素的组合安防看重低照度和红外响应更依赖大像素和背面进光车载看重可靠性和同时性愿意为全局快门和分像素付溢价。这也是为什么同样叫 CIS不同应用的单价能差出好几倍——价格差异背后的东西是时序能力和可靠性并不只是分辨率。5. 读行业报告时的常见问题份额、CAGR 与产能口径的五个陷阱数据本身不会骗人但口径会。同一份报告里按收入算的集中度和按销量算的集中度可以差出十几个百分点产能利用率和实际出货量之间隔着良率技术类型的份额上升不等于老技术退出。这几条是我在对照上下游数据时反复踩过的坑写出来给需要做判断的人省点时间。5.1 陷阱一收入份额和销量份额说的不是一回事现象是两份材料给出的前三名合计份额相差明显一个接近九成一个只有七成多看的人以为数据打架。原因是高端产品和低端产品的单价能差十倍以上按收入排头部厂商占比被放大按销量排主打中低端的厂商份额被放大。解决方法是拿到数据后先算平均单价再看两种口径的差额是否集中在某几家身上。import pandas as pd df pd.DataFrame({ vendor: [厂商A, 厂商B, 厂商C, 厂商D], rev_2021: [1200, 800, 300, 150], # 万元 ship_2021: [90, 70, 40, 25], # 千件 }) # 统一换算成 元/件避免万元与千件相互抵消造成误读 df[asp_yuan] df[rev_2021] * 1e4 / (df[ship_2021] * 1e3) df[share_rev] df[rev_2021] / df[rev_2021].sum() df[share_ship] df[ship_2021] / df[ship_2021].sum() print(df.round(3)) print(CR3 收入口径 , df[share_rev].nlargest(3).sum().round(3)) print(CR3 销量口径 , df[share_ship].nlargest(3).sum().round(3))这段代码的价值不在计算而在强制把单价这列算出来摆在眼前。单价一旦算出来谁是高端定位、谁靠走量、两种口径的差额来自哪里一眼就清楚了。报告里如果没写集中度是按哪个口径算的这个数就不该直接引用。5.2 陷阱二CAGR 的起止年与币种现象是历史段的增速和预测段的增速被放在一句话里对比读者以为是同一个趋势。原因是两段的基数完全不同历史段从一个较低基数出发预测段从已经抬高的基数出发即便绝对值增长一样算出来的百分比也差很多。还有一种情况是收入用本币、市场规模用外币换算年份不同增速就被人为放大或缩小。解决方法是把所有增速还原成绝对值和年份序列自己重算一遍。复合增长率的定义是末值比首值的 n 分之一次方减一n 是间隔年数而不是数据点个数这一点在跨年数据上经常被算错一年。5.3 陷阱三产能、产量、出货量、装机量现象是上游说产能紧张下游说出货量增长两组数据放在一起看不出矛盾。原因在于产能是投片能力产量是合格die的产出出货量还要经过封装测试和模组环节每一层都有损耗。产能利用率高不等于供给充足因为良率可能同时在下降出货量增长也不等于装机量增长因为渠道库存会吸收一部分。解决方法是把链条画出来每一层标上损耗项晶圆投片、良率、封装良率、模组良率、渠道库存。任何一个环节的百分比变化传导到终端都可能被放大。5.4 陷阱四技术类型份额不等于替代速度现象是某种结构的份额逐年上升被解读为老结构正在退出。实际是新增产能全部投向新结构老结构存量产线还在满负荷跑尤其在低价位段。解决方法是看绝对量而不只看占比如果老结构的绝对出货量没有下降只是占比被稀释那就是「增量替代」而不是「存量替代」两者的产业含义完全不同前者说明需求在扩张后者才是真正的技术换代。5.5 陷阱五应用边界重叠现象是几个应用分类的规模加起来大于总量或者某类产品的归属在不同材料里不一致。原因是边界本身在移动比如带屏设备的前摄与后摄、车载的舱内与舱外、安防的消费级与行业级统计口径一旦不一致就会重复计数。解决方法是看报告有没有给出分类定义和去重说明没有的话拆分数据只能用来比较相对增速不能用来加总。6. 设计取舍为什么没有一颗「全能」的传感器把前面几章的账合起来看会发现所有指标都指向同一块面积。满阱容量要面积全局快门的存储节点要面积分像素的两路子像素要面积背面进光之后的片上透镜和遮光结构也要面积。像素就那么大给谁多一点另一项就必然少一点这是物理约束不是工程懒惰。指标手机主摄安防车载冲突对象像素尺寸小靠合并补大优先灵敏度中大兼顾动态范围分辨率快门方式卷帘卷帘为主全局为主像素面积、成本动态范围靠多帧与双增益靠大满阱靠分像素一次成型读出速度、面积频闪抑制弱需求中等硬指标短曝光抓拍成本敏感度高中低工艺复杂度这张表解释了一个常被误解的现象为什么头部厂商在不同应用上的份额结构差别很大。原因在于能力组合不同并不是某一家的技术全面领先——擅长小像素高分辨率的未必擅长全局快门擅长低照度的未必能过车规的可靠性和一致性门槛。行业集中度高本质上是「同时把多项指标做到量产水平」的厂商本来就少而不是市场被人为划分。验证一个判断最笨也最有效的办法是拿报告里某个厂商的单价和产品线做交叉核对单价明显高于同行的去看它的技术类型和应用分布是不是集中在高端单价低的去看它的出货量是不是靠低价位段撑起来的。如果单价、技术类型、应用三条线互相矛盾那多半是口径出了问题回到第 5 章那几条去排查。我早年做技术选型时吃过一次亏只看了一份材料的份额排名就下了结论后来把收入口径换成销量口径重算排序直接变了两位之前写的分析全得推翻。从那以后我每次拿到这类行业数据都强制走一遍「先算单价、再对口径、最后看绝对量」这三步宁可多花半小时也不愿再返工一次。希望帮到你。本文还有配套的精品资源点击获取