KR20230027500A - 학습모델을 이용한 기판 검사 방법 - Google Patents

학습모델을 이용한 기판 검사 방법 Download PDF

Info

Publication number
KR20230027500A
KR20230027500A KR1020210109359A KR20210109359A KR20230027500A KR 20230027500 A KR20230027500 A KR 20230027500A KR 1020210109359 A KR1020210109359 A KR 1020210109359A KR 20210109359 A KR20210109359 A KR 20210109359A KR 20230027500 A KR20230027500 A KR 20230027500A
Authority
KR
South Korea
Prior art keywords
inspection
image
substrate
learning model
inspected
Prior art date
Application number
KR1020210109359A
Other languages
English (en)
Other versions
KR102657751B1 (ko
Inventor
이진호
오상민
유상혁
Original Assignee
주식회사 크레셈
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 크레셈 filed Critical 주식회사 크레셈
Priority to KR1020210109359A priority Critical patent/KR102657751B1/ko
Publication of KR20230027500A publication Critical patent/KR20230027500A/ko
Application granted granted Critical
Publication of KR102657751B1 publication Critical patent/KR102657751B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은 검사 대상 기판의 컬러 이미지와 거버 이미지를 합성한 검사 이미지를 통해 딥러닝 학습을 수행하여 소실 영역이 존재하는 검사 이미지를 불량으로 판정할 수 있도록 해 주는 기술에 관한 것이다.
본 발명에 따른 학습모델을 이용한 기판 검사 방법은, 기판 검사 장치에서 검사 대상 기판을 촬영한 기판 영상을 이용하여 검사 대상 기판에 대한 불량 여부를 검사하는 학습모델을 이용한 기판 검사 방법에 있어서, 기판 검사 장치에서 검사 대상 기판의 거버 이미지 및 검사 대상 기판에 대한 불량 여부를 판정하는 검사 학습모델을 등록하되, 검사 학습모델은 해당 검사 대상 기판의 검사 이미지를 학습데이터로 딥러닝 학습하여 생성되는 제1 단계와, 카메라를 통해 검사 대상 기판을 촬영하여 검사 대상 기판에 대한 컬러 이미지를 획득하는 제2 단계, 검사 대상 기판에 대한 컬러 이미지와 거버 이미지를 합성하여 라인 소실 영역에 대한 색상값이 변화된 검사 이미지를 생성하는 제3 단계 및, 상기 제3 단계에서 생성된 검사 이미지를 검사 학습모델에 입력하여 검사 대상 기판에 대한 불량 여부를 판정하는 제4 단계를 포함하여 구성되는 것을 특징으로 한다.

Description

학습모델을 이용한 기판 검사 방법{BOARD INSPECTION METHOD USING A LEARNING MODEL}
본 발명은 검사 대상 기판의 컬러 이미지와 거버 이미지를 합성한 검사 이미지를 통해 딥러닝 학습을 수행하여 소실 영역이 존재하는 검사 이미지를 불량으로 판정할 수 있도록 해 주는 기술에 관한 것이다.
인쇄회로기판(PCB, Printed Circuit Board)은 각종 전자부품을 표면에 실장하여 최종 회로를 구성하는 기판으로 반도체, 멀티미디어 기기, 통신기기, 각종 전자제품, 자동차 등 관련 산업에서 광범위하게 사용되고 있다.
이러한 인쇄회로기판의 일반적인 제조 과정을 간략히 언급하자면, 안팎으로 동을 붙인 적층판을 재료로 하여 배선 패턴 필름을 사용하여 표면을 감광성 수지막에 노광하고, 이 감광성 수지의 특성을 사용하여 동을 원하는 패턴으로 에칭하여 배선 패턴(도금 패턴)을 형성한다. 이후 프레스기를 이용하여 패턴측과 절연층을 적층하고, 패턴층간의 전기적 접속을 위해 구멍을 형성한 후, 상기 구멍을 통하여 적층된 여러 층 사이를 전기적으로 연결시킨다. 이후 공기에 접해 동이 산화하는 것을 막거나 외적인 충격으로 동이 볏겨지는 것을 막거나 금속으로 인한 쇼트방지를 위해 포토 솔더 레지스트(PSR부, Photo-imageable Solder Resist)를 사용하여 배선 부분 등을 커버한다.
이후 인쇄회로기판을 검사하는 단계를 수행하게 된다.
한편, 반도체 기술 발달에 따라 반도체 배선 폭이 나노(Nano) 단위까지 감소되고 있어 반도체를 안착시키는 인쇄회로기판의 배선 폭은 더욱 감소하게 되었으며, 반도체의 다양한 기능 확대로 인하여 반도체 핀의 수는 증가하게 되면서 이러한 반도체 PCB에 대하여 정상/불량을 명확하게 검사하는 것이 반도체가 포함된 전체 시스템의 신뢰성 향상을 위하여 매우 중요하게 되었다.
통상적으로 인쇄회로기판은 제조가 완료되면 CO2 등을 이용한 클리닝 공정을 거친 후 프린팅된 회로패턴에 대한 검사가 수행되고, 검사가 완료된 기판은 불량 여부에 따라 양품과 불량품으로 분류된 후에 양품에 대한 레이저 마킹 공정을 수행하게 된다.
이러한 PCB 검사는 일반적으로 비전 검사 방식으로 이루어지는 바, 검사대상 PCB를 카메라를 통해 촬영하고, 촬영된 컬러 영상을 학습모델에 입력하여 해당 검사대상 PCB을 양품과 불량품으로 분류하게 된다. 이때, 학습모델은 미리 오류가 없이 제작하여 촬영된 기판의 기준 영상을 검사대상기판의 컬러 영상과 비교하여 불량 여부를 판정하거나, 미리 촬영된 다양한 불량 기판 영상을 학습데이터로 하여 검사대상기판의 컬러 영상과 비교하여 불량 여부를 판정한다.
그러나, 학습모델은 사람의 눈에 최적화된 방식으로 기판의 표면 상태를 검사하는 알고리즘으로, 예컨대 이미지상에 존재하는 라인의 끊어짐이나 들뜸, 굴곡 등의 라인 상태를 근거로 불량 여부를 판단한다.
즉, 도1에 도시된 바와 같이 양품 이미지(A)와 비교하여 특정 라인이 소실(X)된 불량 이미지(B)는 학습모델에서 판단할 대상(라인)이 없기 때문에, 애초에 해당 위치에 라인이 없는 것으로 인식하여 라인이 소실된 상태의 불량 기판(B 이미지)을 양품으로 판단하는 오류를 범하는 문제가 있다.
1. 한국공개특허 제10-2015-0104763호 "광학검사를 위한 검사모델 자동결정방법" 2. 한국공개특허 제10-2019-0084167호 "인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체"
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 검사 대상 기판의 컬러 이미지와 거버 이미지를 합성하여 소실 영역에 대한 색상값이 변화된 검사 이미지를 생성하고, 이를 이용하여 딥러닝 학습을 수행함으로써 소실 영역이 존재하는 검사 이미지를 불량으로 판정할 수 있도록 해 주는 학습모델을 이용한 기판 검사 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 기판 검사 장치에서 검사 대상 기판을 촬영한 기판 영상을 이용하여 검사 대상 기판에 대한 불량 여부를 검사하는 학습모델을 이용한 기판 검사 방법에 있어서, 기판 검사 장치에서 검사 대상 기판의 거버 이미지 및 검사 대상 기판에 대한 불량 여부를 판정하는 검사 학습모델을 등록하되, 검사 학습모델은 해당 검사 대상 기판의 검사 이미지를 학습데이터로 딥러닝 학습하여 생성되는 제1 단계와, 카메라를 통해 검사 대상 기판을 촬영하여 검사 대상 기판에 대한 컬러 이미지를 획득하는 제2 단계, 검사 대상 기판에 대한 컬러 이미지와 거버 이미지를 합성하여 소실 영역에 대한 색상값이 변화된 검사 이미지를 생성하는 제3 단계 및, 상기 제3 단계에서 생성된 검사 이미지를 검사 학습모델에 입력하여 검사 대상 기판에 대한 불량 여부를 판정하는 제4 단계를 포함하여 구성되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.이 제공된다.
또한, 상기 검사 이미지는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지로 이루어지는 컬러 이미지와 거버 이미지가 합성된 32비트 이미지인 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 검사 이미지는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지 중 두 개의 채널 이미지로 이루어지는 컬러 이미지와 거버 이미지가 합성된 24비트 이미지인 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 검사 이미지는 검사 종류 및 검사 대상 기판의 색상 특성에 따라 서로 다른 두 개 채널 이미지가 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다
또한, 상기 검사 학습모델은 불량 검사 이미지에 대한 학습 과정을 통해 수립되고, 기판 검사 장치는 상기 제4 단계에서 불량 판정된 검사 이미지를 검사 학습모델의 학습 데이터로 적용하여 검사 학습모델을 업데이트하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
본 발명에 의하면, 소실 영역의 색상값이 변화된 검사 이미지를 이용하여 검사 학습모델을 통한 기판 불량 검사를 수행함으로써, 검사대상기판의 불량 판단 정확도를 보다 향상시킬 수 있다.
도1은 다수의 라인이 존재하는 검사대상기판의 양품 이미지와 불량품 이미지를 예시한 도면.
도2는 본 발명이 적용되는 학습모델을 이용한 기판 검사 장치의 개략적인 구성을 도시한 도면.
도3은 도2에 도시된 검사 이미지 생성부(300)에서의 검사 이미지 생성방법을 예시한 도면.
도4는 검사대상기판의 컬러 이미지와 거버 이미지를 예시한 도면.
도5는 본 발명에 따른 학습모델을 이용한 기판 검사 방법을 설명하기 위한 도면.
이하에서는 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호로 나타내고 있음을 유의해야 한다. 한편, 이에 앞서 본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도2는 발명이 적용되는 따른 학습모델을 이용한 기판 검사 장치의 개략적인 구성을 도시한 도면이다.
도2를 참조하면 본 발명이 적용되는 학습모델을 이용한 기판 검사 장치는, 정보 입출력부(100), 카메라(200)와, 검사 이미지 생성부(300), 검사 학습모델 저장부(400), 데이터 저장부(500) 및, 검사 제어부(600)를 포함한다.
정보 입출력부(100)는 관리자에 의해 입력되는 기판 검사 관련 정보를 등록하거나, 기판 검사 결과정보를 출력한다.
카메라(200)는 검사 대상 기판을 촬영하여 컬러 이미지를 획득한다. 이때, 컬러 이미지는 검사 대상 기판의 전체 영역에 대한 이미지이거나 또는 일정 크기의 단위 영역에 대한 이미지가 될 수 있다. 이러한 컬러 이미지는 R,G,B의 3채널 이미지로 이루어지는 24비트 이미지이다.
검사 이미지 생성부(300)는 카메라(200)에 의해 촬영된 칼라 이미지과 이 컬러 이미지와 동일한 검사 대상 기판 영역의 거버(Gerber) 이미지를 합성한 형태의 검사 이미지를 생성한다. 여기서, 거버 이미지로는 인쇄 회로 기판 설계 파일인 CAD 이미지가 일반적으로 사용되며, 인쇄 회로 기판 설계 파일인 거버 파일이 사용될 수 있다.
도3에 도시된 바와 같이 카메라(200)에 의해 촬영된 원본 이미지는 24비트 이미지로서, 이는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지로 분리된다. 검사 이미지 생성부(300)는 24비트의 컬러 이미지와 이 컬러 이미지와 동일 검사 대상 기판에 대한 거버 이미지를 합성하여 32비트의 RGBA 구조의 검사 이미지를 생성한다. 여기서, 거버 이미지는 "A"채널에 해당하는 이미지로서, 8비트의 CAD 이미지가 될 수 있다.
도3에는 도1에 예시된 검사 대상 기판의 양품 컬러 이미지와 불량 컬러 이미지를 이용하여 생성된 검사 이미지가 각각 예시되어 있다. 도3에 의하면, 검사 이미지는 컬러 이미지와 거버 이미지가 일치하는 라인 영역에 대해서는 모두 동일 컬러로 출력되는데 반하여, 컬러 이미지와 거버 이미지에서 일치하지 않는 라인 영역즉, 컬러 이미지에서 라인이 소실된 영역(X)에 대해서는 다른 색상값, 예컨대 투명값을 갖는다.
또한, 도3에 도시된 바와 같이 32비트 검사 이미지의 경우, 알파 채널(거버 이미지)에 의해 주변이 검정색으로 보이나, 검사 학습모델은 딥러닝 검사수행시 각 픽셀의 4개 정보 즉, R,G,B 정보를 학습하기 때문에, 검사 결과와는 상관이 없다.
도4에는 다양한 패턴에 대한 컬러 이미지(g)와 거버 이미지(ng)가 예시되어 있으며, 검사 이미지 생성부(300)는 이러한 컬러 이미지(g)와 거버 이미지(ng)를 합성하여 도3에 도시된 바와 같이 검사 이미지를 생성한다.
또한, 검사 이미지 생성부(300)는 일반적으로 비전검사에 이용되는 학습모델이 24비트 컬러 이미지를 사용하는 것을 고려하여, 컬러 이미지와 거버 이미지가 합성된 24비트 검사 이미지를 생성할 수 있다.
검사 이미지 생성부(300)는 검사 이미지 생성부(300)는 R,G,B 채널 이미지에서 특정 채널 이미지 대신 거버 이미지를 추가하는 방법으로 24비트의 검사 이미지를 생성할 수 있다.
즉, 검사 이미지 생성부(300)는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지 중 두 개 채널 이미지로 이루어지는 컬러 이미지와 거버 이미지를 합성하여 24비트의 검사 이미지를 생성한다. 이때, 컬러 이미지에서 제거되는 채널 이미지는 해당 검사 결과에 영향을 최소인 컬러 채널 이미지를 제거하고, 대신 거버 이미지를 추가한 후 이들 이미지를 합성하여 24비트의 검사 이미지를 생성할 수 있다.
이때, 검사 이미지 생성을 위해 제거되는 컬러 채널 이미지는 해당 검사 결과에 미치는 영향이 최소인 컬러 채널 이미지로 설정되며, 검사 종류 및 검사 대상 기판의 색상 특성에 따라 다르게 결정될 수 있다.
즉, 검사 대상 기판의 색상에 대해 가장 적은 데이터값을 갖는 컬러 채널 이미지를 제거한 컬러 이미지를 이용하여 검사 이미지를 생성하는 바, 예컨대, 메인 색상이 노랑인 AOI 공정 기판(동(구리)판)은 Red채널 이미지와 Green채널 이미지 및 거버 이미지로 이루어지는 검사 이미지를 생성하고, 메인 색상이 그린인 PCB 기판은 Red채널 이미지와 Blue채널 이미지 및 거버 이미지로 이루어지는 검사 이미지를 생성할 수 있다.
검사 학습모델 저장부(400)는 검사 대상 기판의 불량 검사 이미지를 학습 데이터로 딥러닝 학습하여 검사 대상 기판의 정상 또는 불량을 판정할 수 있도록 하는 검사 학습모델을 저장한다. 즉, 불량 검사 이미지를 학습데이터로서 검사 학습모델로 입력하여 학습 과정을 통해 검사 학습모델이 수립되고, 수립된 검사 학습모델에 검사 대상 기판의 검사 이미지를 입력하면 학습 결과를 이용하여 검사 대상 기판의 불량 여부를 판정하게 된다. 이때, 학습데이터는 검사 항목을 추가로 포함할 수 있으며, 불량 종류가 학습데이터로 추가될 수 있다.
검사 학습모델은 도3에 도시된 바와 같이 컬러 이미지와 거버 이미지를 합성한 검사 이미지를 이용하여 기판 검사를 수행하게 되는 바, 라인 소실 영역이 다른 라인과 다른 색상값을 갖는 검사 이미지를 통해 소실 영역에 따른 불량 판단을 수행할 수 있다.
이에 따라 다수의 라인이 배치된 검사 대상 기판에 대해 라인 소실이나 라인의 치수 불량에 따른 불량을 보다 정확하게 판단할 수 있다. 예컨대, 검사 학습모델은 검사 대상 기판의 라인별 치수를 비교 측정하여 치수 오차가 기준값 또는 기준비율을 초과하는 경우 불량이 발생한 것으로 판별할 수 있으며, 검사 항목으로는 회로 패턴의 미세 선폭간 간격, 회로 패턴에 대한 합선, 단락, 돌출, 변색 이물부착, 솔더 레지스터의 외관 등이 있을 수 있다.
또한, 이러한 검사 학습모델은 입력되는 검사 이미지에 대하여 검사 항목과 불량종류 및, 판정결과(불량 여부)로 이루어지는 예컨대, "솔더 레지스터 외관(검사항목), 라인 소실(불량종류) 불량(판정결과)"의 형태로 판단 결과를 출력할 수 있다.
데이터 저장부(500)는 검사 대상 기판의 거버 이미지를 포함하여 검사 제어부(600)에서 처리되는 정보 및 검사 프로그램을 구동하기 위한 각종 정보를 저장한다. 또한 데이터 저장부(500)는 24비트 검사 이미지 생성시 검사 종류 또는 검사 대상 기판의 종류에 따라 컬러 이미지에서 제거되는 컬러 채널이미지 정보를 저장할 수 있다.
검사 제어부(600)는 검사 대상 기판에 대한 ODB 이미지를 검사 이미지 생성부(300)로 전송하고, 카메라(200)를 통해 획득한 컬러 이미지를 검사 이미지 생성부(300)로 전송하며, 검사 이미지 생성부(300)에서 생성된 검사 이미지를 검사 학습모델에 적용하여 해당 검사 대상 기판에 대한 검사 결과정보를 정보 입출력부(100)를 통해 출력한다.
그리고, 검사 제어부(600)는 검사 학습모델을 통한 검사 결과, 해당 검사 대상물이 "불량"으로 결정된 경우, 해당 불량 검사 이미지를 검사 학습모델의 학습 데이터로 추가 등록하여 검사 학습모델을 자동으로 업데이트한다.
이어, 상기한 구성으로 된 학습모델을 이용한 기판 검사 시스템의 동작을 도5에 도시된 흐름도를 참조하여 설명한다.
도5를 참조하면, 검사 제어부(600)는 검사 대상 기판의 불량 검사 이미지를 학습 데이터로 이용하는 검사 학습모델과 해당 검사 대상 기판의 거버 이미지를 미리 등록한다(ST100).
상기 ST100단계에서, 검사 학습모델은 컬러 이미지와 거버 이미지가 합성된 형태의 검사 이미지를 학습 데이터로 이용하여 해당 검사 항목에 대한 검사 대상 기판의 정상 또는 불량을 판정하며, 불량 검사 이미지에 대한 불량 종류가 추가로 학습데이터로 등록될 수 있다. 그리고, 거버 이미지는 인쇄 회로 이미지로서, 예컨대 CAD 이미지가 될 수 있다.
상술한 바와 같이 검사 학습모델과 거버 이미지가 미리 등록된 상태에서 검사 대상 기판이 검사 대상 위치에 배치되면, 검사 제어부(600)는 카메라(200)를 통해 검사 대상 기판을 촬영하여 컬러 이미지를 획득한다(ST200). 이때, 컬러 이미지는 검사 대상 기판의 크기에 따라 기판 전체 영역의 컬러 이미지이거나 검사 대상 기판을 일정 크기로 분할한 단위 영역의 컬러 이미지가 될 수 있다.
이어, 검사 제어부(600)는 데이터 저장부(500)에서 상기 ST200 단계에서 획득한 컬러 이미지와 동일한 영역에 해당하는 거버 이미지를 호출하여 검사 이미지 생성부(300)로 제공함과 더불어, 상기 ST200 단계에서 획득한 컬러 이미지를 검사 이미지 생성부(300)로 제공하여 검사 대상 기판의 동일 영역에 대한 컬러 이미지와 거버 이미지가 합성된 검사 이미지를 생성하도록 제어한다(ST300).
여기서, 검사 이미지 생성부(300)는 검사 학습모델의 학습 데이터로 이용되는 검사 이미지의 비트수에 따라 24비트 검사 이미지 또는 32비트 검사 이미지를 생성할 수 있다. 즉, 도3에 도시된 바와 같이 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지로 이루어지는 컬러 이미지와 거버 이미지가 합성된 형태의 32비트 검사 이미지를 생성할 수 있다.
또한, 상기 ST300 단계에서 24비트 검사 이미지 생성시, 검사 이미지 생성부(300)는 검사 종류 및 검사 대상 기판에 따라 서로 다른 2개 채널의 컬러 이미지로 이루어지는 검사 이미지를 생성한다. 이때, 검사 이미지 생성부(300)는 동일 검사 대상 기판에 대해 검사 종류에 따라 또 다른 2개 컬러 채널 이미지로 이루어지는 컬러 이미지로 이루어지는 검사 이미지를 생성할 수 있다. 예컨대, 제1 검사종류 또는 제1 기판 검사시에는 Red채널 이미지와 Green채널 이미지로 이루어지는 컬러 이미지를 포함하는 제1 검사 이미지를 생성하고, 제2 검사종류 또는 제2 기판 검사시에는 Green채널이미지와 Blue채널 이미지로 이루어지는 컬러 이미지를 포함하는 제2 검사 이미지를 생성할 수 있다.
검사 제어부(600)는 상기 ST300 단계에서 생성된 검사 이미지를 검사 학습모델에 입력하여 기판 불량 검사를 수행한다(ST400). 이때, 검사 제어부(600)는 24비트 검사데이터를 이용한 검사시, 검사 종류에 따라 서로 다른 검사 이미지를 이용하여 기판 불량 검사를 수행할 수 있다.
상기 ST400 단계에서 기판 불량 검사 결과, 해당 검사 이미지가 불량이 아닌 것으로 출력되면(ST500), 검사 제어부(600)는 해당 검사 대상 기판을 정상으로 결정한다(ST600). 이때, 검사 제어부(600)는 검사 대상 기판의 전체 영역이 모두 정상으로 판단되면, 해당 검사 대상 기판을 정상으로 결정하고, 해당 검사 대상 기판에 대한 검사를 종료한다.
한편, 상기 ST500 단계에서 기판 불량 검사 결과, 해당 검사 이미지가 불량인 것으로 출력되면, 검사 제어부(600)는 상기 ST700 단계에서 해당 검사 대상 기판을 불량으로 결정한다(ST700).
또한, 검사 제어부(600)는 상기 ST700 단계에서 불랴으로 결정된 검사 이미지를 검사 학습모델의 학습데이터로 추가 적용하여 검사 학습모델을 업데이트하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST800). 이때, 검사 제어부(600)는 불량 영역에 대한 불량 종류를 학습데이터로서 추가 적용하여 검사 학습모델을 업데이트할 수 있다.
100 : 정보 입출력부, 200 : 카메라,
300 : 검사 이미지 생성부, 400 : 검사 학습모델 저장부,
500 : 데이터 저장부, 600 : 검사 제어부.

Claims (5)

  1. 기판 검사 장치에서 검사 대상 기판을 촬영한 기판 영상을 이용하여 검사 대상 기판에 대한 불량 여부를 검사하는 학습모델을 이용한 기판 검사 방법에 있어서,
    기판 검사 장치에서 검사 대상 기판의 거버 이미지 및 검사 대상 기판에 대한 불량 여부를 판정하는 검사 학습모델을 등록하되, 검사 학습모델은 해당 검사 대상 기판의 검사 이미지를 학습데이터로 딥러닝 학습하여 생성되는 제1 단계와,
    카메라를 통해 검사 대상 기판을 촬영하여 검사 대상 기판에 대한 컬러 이미지를 획득하는 제2 단계,
    검사 대상 기판에 대한 컬러 이미지와 거버 이미지를 합성하여 소실 영역에 대한 색상값이 변화된 검사 이미지를 생성하는 제3 단계 및,
    상기 제3 단계에서 생성된 검사 이미지를 검사 학습모델에 입력하여 검사 대상 기판에 대한 불량 여부를 판정하는 제4 단계를 포함하여 구성되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  2. 제1항에 있어서,
    상기 검사 이미지는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지로 이루어지는 컬러 이미지와 거버 이미지가 합성된 32비트 이미지인 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  3. 제1항에 있어서,
    상기 검사 이미지는 Red채널 이미지와 Green채널 이미지 및 Blue채널 이미지 중 두 개의 채널 이미지로 이루어지는 컬러 이미지와 거버 이미지가 합성된 24비트 이미지인 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  4. 제3항에 있어서,
    상기 검사 이미지는 검사 종류 및 검사 대상 기판의 색상 특성에 따라 서로 다른 두 개 채널 이미지가 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  5. 제1항에 있어서,
    상기 검사 학습모델은 불량 검사 이미지에 대한 학습 과정을 통해 수립되고,
    기판 검사 장치는 상기 제4 단계에서 불량 판정된 검사 이미지를 검사 학습모델의 학습 데이터로 적용하여 검사 학습모델을 업데이트하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
KR1020210109359A 2021-08-19 2021-08-19 학습모델을 이용한 기판 검사 방법 KR102657751B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210109359A KR102657751B1 (ko) 2021-08-19 2021-08-19 학습모델을 이용한 기판 검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210109359A KR102657751B1 (ko) 2021-08-19 2021-08-19 학습모델을 이용한 기판 검사 방법

Publications (2)

Publication Number Publication Date
KR20230027500A true KR20230027500A (ko) 2023-02-28
KR102657751B1 KR102657751B1 (ko) 2024-04-16

Family

ID=85326279

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210109359A KR102657751B1 (ko) 2021-08-19 2021-08-19 학습모델을 이용한 기판 검사 방법

Country Status (1)

Country Link
KR (1) KR102657751B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094984A (zh) * 2023-09-25 2023-11-21 上海感图网络科技有限公司 光电板多料并检方法、装置、设备及存储介质
KR102632831B1 (ko) * 2023-06-16 2024-02-06 주식회사 애플티 웨이퍼 불량 검출을 위한 ai 시스템
CN117611555A (zh) * 2023-11-28 2024-02-27 深圳技术大学 线路板与Gerber图的对位方法、线路板检测方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006235762A (ja) * 2005-02-22 2006-09-07 Orion Denki Kk プリント基板用ｃａｄシステム
JP2008298463A (ja) * 2007-05-29 2008-12-11 Pioneer Electronic Corp 印刷マスクの印刷検査装置、及び印刷マスクの印刷検査方法
JP2010237210A (ja) * 2009-03-30 2010-10-21 Koh Young Technology Inc 検査方法
US20150104763A1 (en) 2013-10-15 2015-04-16 Apollo Group, Inc. Teaching students to recognize and correct sentence fragments
KR20170003509A (ko) * 2016-12-28 2017-01-09 주식회사 고영테크놀러지 검사방법
US20190084167A1 (en) 2011-03-16 2019-03-21 Intech Defense, Llc Methods And Systems For Providing Protection Against Harmful Material
JP2019527475A (ja) * 2016-06-29 2019-09-26 ケーエルエー コーポレイション 感度改善およびニューサンス抑制のため、論理的およびホットスポット検査でｚレイヤコンテキストを使用するシステムおよび方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006235762A (ja) * 2005-02-22 2006-09-07 Orion Denki Kk プリント基板用ｃａｄシステム
JP2008298463A (ja) * 2007-05-29 2008-12-11 Pioneer Electronic Corp 印刷マスクの印刷検査装置、及び印刷マスクの印刷検査方法
JP2010237210A (ja) * 2009-03-30 2010-10-21 Koh Young Technology Inc 検査方法
US20190084167A1 (en) 2011-03-16 2019-03-21 Intech Defense, Llc Methods And Systems For Providing Protection Against Harmful Material
US20150104763A1 (en) 2013-10-15 2015-04-16 Apollo Group, Inc. Teaching students to recognize and correct sentence fragments
JP2019527475A (ja) * 2016-06-29 2019-09-26 ケーエルエー コーポレイション 感度改善およびニューサンス抑制のため、論理的およびホットスポット検査でｚレイヤコンテキストを使用するシステムおよび方法
KR20170003509A (ko) * 2016-12-28 2017-01-09 주식회사 고영테크놀러지 검사방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102632831B1 (ko) * 2023-06-16 2024-02-06 주식회사 애플티 웨이퍼 불량 검출을 위한 ai 시스템
CN117094984A (zh) * 2023-09-25 2023-11-21 上海感图网络科技有限公司 光电板多料并检方法、装置、设备及存储介质
CN117611555A (zh) * 2023-11-28 2024-02-27 深圳技术大学 线路板与Gerber图的对位方法、线路板检测方法及相关设备

Also Published As

Publication number Publication date
KR102657751B1 (ko) 2024-04-16

Similar Documents

Publication Publication Date Title
KR20230027500A (ko) 학습모델을 이용한 기판 검사 방법
US5134575A (en) Method of producing numerical control data for inspecting assembled printed circuit board
TWI761880B (zh) 基板缺陷檢查裝置、方法、電腦可讀記錄介質及電腦程式產品
US20050190959A1 (en) Drill hole inspection method for printed circuit board fabrication
JP2007110065A (ja) フォトレジストの欠陥を検査および修復する方法、並びにプリント回路基板の製造プロセス
KR102668045B1 (ko) 기판 검사 방법
KR102529354B1 (ko) 학습 장치, 검사 장치, 학습 방법 및 검사 방법
KR102170352B1 (ko) 인쇄회로기판의 홀 검사 장치 및 방법
KR102450824B1 (ko) 3차원 학습모델을 이용한 기판의 휨 검사 방법
JP7445057B2 (ja) 学習装置、検査装置、アライメント装置および学習方法
US20230298155A1 (en) Information processing apparatus and information processing method
KR20230132083A (ko) 기판 검사 방법
JP4823605B2 (ja) 露光装置、露光方法、及びパターン製造システム
JPH04256844A (ja) プリント基板のパターン検査方法
JP2006234554A (ja) パターン検査方法およびパターン検査装置
KR101228321B1 (ko) 반도체 기판의 광학적 검사 방법 및 그 장치
KR20230064249A (ko) 학습모델을 이용한 기판 검사 방법
GB2139754A (en) A pattern examining method
JP2015059875A (ja) 検査結果表示データ生成装置、検査結果表示装置、基板検査システムおよび検査結果表示データ生成方法
JP2007309703A (ja) ピクセルの検査方法
JP2006284543A (ja) 実装回路基板検査方法および実装回路基板検査装置
JP2009105400A (ja) フレキシブルプリント回路基板の製造方法及びその検査方法
JPH08261720A (ja) 印刷パターンの位置検査方法
JP2002158437A (ja) プリント基板における無半田部分の除去方法およびその装置
KR20230089583A (ko) 소자 검사 방법 및 이를 수행하는 소자 검사 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant