KR101186964B1 - Particle Analysis System and Method Therefor - Google Patents
Particle Analysis System and Method Therefor Download PDFInfo
- Publication number
- KR101186964B1 KR101186964B1 KR1020100055956A KR20100055956A KR101186964B1 KR 101186964 B1 KR101186964 B1 KR 101186964B1 KR 1020100055956 A KR1020100055956 A KR 1020100055956A KR 20100055956 A KR20100055956 A KR 20100055956A KR 101186964 B1 KR101186964 B1 KR 101186964B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- module
- fine particles
- particle
- image
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000010419 fine particle Substances 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 229910052710 silicon Inorganic materials 0.000 claims description 5
- 239000010703 silicon Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000013618 particulate matter Substances 0.000 claims 2
- 230000001172 regenerating effect Effects 0.000 claims 1
- 238000005266 casting Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011859 microparticle Substances 0.000 description 2
- 238000007743 anodising Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G01N15/1433—
-
- G01N15/149—
-
- 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
Abstract
본 발명에 따르면 다양한 종류의 미립자를 실험적인 데이터들을 이용하여 분석할 수 있는 미립자 시스템 및 방법을 제공할 수 있다.
본 발명의 바람직한 일실시예는 미립자를 확대하여 촬영하는 측정부; 및 다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델을 생성하고, 학습 모델을 이용하여 새로이 측정된 미립자를 분류하는 분석부;를 포함한다.According to the present invention, it is possible to provide a particulate system and method capable of analyzing various kinds of particulates using experimental data.
One preferred embodiment of the present invention includes a measuring unit for magnifying and photographing the fine particles; And an analysis unit generating a learning model to classify the particles using a plurality of stored particle measurement data and classifying the newly measured particles using the learning model.
Description
본 발명은 미립자 분석 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 청정도를 개선할 수 있는 미립자 분석 시스템 및 방법에 관한 것이다.The present invention relates to a particulate analysis system and method, and more particularly to a particulate analysis system and method that can improve the cleanliness.
반도체 공정에 있어서 미립자(Particle)들은 많은 반도체의 불량을 일으키는 주요 원인으로 기준 이상의 청정도를 유지하는 것은 매우 중요한 작업임은 모든 사람들에게 있어 주지의 사실이다.Particles are a major cause of many semiconductor defects in the semiconductor process, and it is well known to everyone that maintaining above-standard cleanliness is a very important task.
이러한 미립자는 반도체 공정뿐만 아니라, 자동차 생산 공정에서도 불량의 주요 원인이 되고 있다. Such fine particles are a major cause of defects not only in semiconductor processes but also in automobile production processes.
즉, 주조, 양극산화(Anodizing), 드릴링, 밀링, 선반, 고압 워터 제트 디버링, 브러싱 등의 복잡한 시스템의 통합은 다양한 종류의 미립자(칩, 버 및 주조의 잔해)를 만든다. 이 미립자들은 변속기, 엔진, 크랭크축 안에 모이게 되고 이것은 그 기능에 피해를 주며 자동차 사용자들을 위험하게 한다. In other words, the integration of complex systems such as casting, anodizing, drilling, milling, lathe, high pressure water jet deburring, brushing, etc., creates a wide variety of particulates (chips, burrs and debris from casting). These particulates collect in the transmission, engine and crankshaft, which damage its function and endanger car users.
이러한 미립자를 최소화하기 위해서는 미립자의 발생 원인에 대한 분석이 선행되어야 할 것이다. 또한, 미립자 발생 원인에 대한 분석을 위해서는 다양한 미립자 자체에 대한 측정 및 분석이 요구된다. In order to minimize these microparticles, an analysis of the cause of the microparticles should be preceded. In addition, the analysis of the causes of particulate generation requires measurement and analysis of various particulates themselves.
본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 다양한 종류의 미립자를 실험적인 데이터들을 이용하여 분석할 수 있는 미립자 분석 시스템 및 방법을 제공하는 것에 그 목적이 있다.Disclosure of Invention The present invention aims to solve the above technical problem, and an object thereof is to provide a particle analysis system and method capable of analyzing various kinds of particles using experimental data.
본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템은 미립자를 확대하여 촬영하는 측정부; 및 다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델을 생성하고, 학습 모델을 이용하여 새로이 측정된 미립자를 분류하는 분석부;를 포함한다.Particle analysis system according to an embodiment of the present invention includes a measuring unit for magnifying and photographing the fine particles; And an analysis unit generating a learning model to classify the particles using a plurality of stored particle measurement data and classifying the newly measured particles using the learning model.
구체적으로 상기 측정부는 측정에 사용될 미립자를 올려놓기 위한 XY 테이블; 상기 미립자를 확대하기 위한 현미경; 상기 현미경으로부터의 영상을 촬영하기 위한 촬영모듈; 및 상기 촬영된 영상을 상기 분석부로 송신하고, 상기 분석부로부터 상기 XY 테이블을 제어하기 위한 신호를 수신하기 위한 제1 통신모듈;을 포함하는 것을 특징으로 한다.Specifically, the measuring unit XY table for placing the particles to be used for the measurement; A microscope for enlarging the fine particles; A photographing module for photographing an image from the microscope; And a first communication module for transmitting the captured image to the analyzer and receiving a signal for controlling the XY table from the analyzer.
또한, 상기 분석부는 상기 XY 테이블을 제어하기 위한 신호를 생성하는 제어모듈; 미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함하는 데이터모듈; 상기 데이터 모듈에 저장된 데이터를 이용하여 미립자 분류를 위한 학습 모델을 생성하는 학습모듈; 상기 측정부로부터 촬영된 영상을 수신하고, 상기 XY 테이블을 제어하기 위한 신호를 송신하기 위한 제2 통신모듈; 상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 영상처리모듈; 및 상기 영상처리 모듈로부터의 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 분류모듈;을 포함하는 것을 특징으로 한다.The analyzer may include a control module configured to generate a signal for controlling the XY table; A data module including fine particle measurement data and classification data of the measured fine particles; A learning module for generating a learning model for classifying particulates using data stored in the data module; A second communication module for receiving an image captured by the measuring unit and transmitting a signal for controlling the XY table; An image processing module for performing digital image processing of the captured image; And a classification module for classifying the particles by the learning model using the digital image processed image from the image processing module.
상기 학습모듈의 학습 모델 생성 방법의 바람직한 일실시예는 인공 지능 신경망을 이용할 수 있다.A preferred embodiment of the learning model generation method of the learning module may use an artificial neural network.
아울러, 상기 학습을 위해 사용되는 데이터는 미립자의 길이, 너비, 표면 감촉 및 색(Color) 정보를 포함하는 것을 특징으로 한다. 또한, 상기 학습을 위해 사용되는 데이터를 이용하여 규소와 탄소의 구성비를 추정하는 것을 특징으로 한다.In addition, the data used for the learning is characterized in that it includes the length, width, surface texture and color information of the fine particles. In addition, it is characterized by estimating the composition ratio of silicon and carbon using the data used for the learning.
상기 학습 모델은 상기 측정 데이터가 신규로 생성될 때마다 새로이 갱신되는 것이 바람직하다.
The learning model is preferably updated every time the measurement data is newly generated.
본 발명의 바람직한 일실시예에 따른 미립자 분석 방법은 분석부가 저장된 데이터를 이용하여 학습 모델을 생성하는 단계; 측정부가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계; 상기 측정부가 상기 미립자의 영상을 상기 분석부로 송신하는 단계; 상기 분석부가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및상기 분석부가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 학습 모델에 의해 미립자를 분류하는 단계;를 포함한다.
Particle analysis method according to an embodiment of the present invention comprises the steps of generating a learning model using the data stored in the analysis unit; Measuring the image of an image of the fine particles on the XY table; Transmitting, by the measuring unit, an image of the fine particles to the analyzing unit; Performing digital image processing by using the image of the particles received by the analyzer; And classifying the fine particles by the learning model using the digital image processed image by the analysis unit.
본 발명의 미립자 분석 시스템 및 방법에 따르면, 다양한 종류의 미립자를 실험적인 데이터들을 이용하여 분석할 수 있는 미립자 분석 시스템 및 방법을 제공할 수 있다.According to the particulate analysis system and method of the present invention, it is possible to provide a particulate analysis system and method capable of analyzing various kinds of particulates using experimental data.
도 1은 본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템을 나타낸다.
도 2는 미립자의 종류에 따른 형상을 나타낸다.
도 3은 학습 모델 생성에 이용된 인공 지능 신경망의 일실시예를 나타낸다.
도 4는 본 발명의 바람직한 일실시예에 따른 미립자 분석 방법의 흐름도를 나타낸다.1 shows a particulate analysis system according to a preferred embodiment of the present invention.
2 shows the shape according to the type of fine particles.
3 illustrates an embodiment of an artificial intelligence neural network used to generate a learning model.
4 shows a flowchart of a particulate analysis method according to one preferred embodiment of the present invention.
이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 미립자 분석 시스템 및 방법에 대해 상세히 설명하기로 한다. Hereinafter, a particulate analysis system and method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.
The following examples of the present invention are intended to embody the present invention, but not to limit or limit the scope of the present invention. It will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims.
우선 도 1은 본 발명의 바람직한 일실시예에 따른 미립자 분석 시스템을 나타낸다. 1 shows a particulate analysis system according to a preferred embodiment of the present invention.
즉, 본 발명의 바람직한 일실시예에 따르는 미립자 분석 시스템은 측정부(10)와 분석부(20)를 포함한다.That is, the particle analysis system according to the preferred embodiment of the present invention includes a
상기 측정부(10)는 미립자를 확대 촬영하는 역할을 하다.The
또한, 상기 분석부(20)는 다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위해 학습모델인 기준을 생성하고, 생성된 기준을 이용하여 새로이 측정된 미립자를 분류하는 역할을 한다.
In addition, the
상기 측정부(10)의 역할에 대해 각 구성 요소에 의해 보다 구체적으로 설명하기로 한다. The role of the
상기 측정부(10)는, XY 테이블(11), 현미경(12), 촬영모듈(13) 및 제1 통신모듈(14)을 포함한다.The
상기 XY 테이블(11)은 측정에 사용될 미립자 시료를 올려놓기 위해 요구되며, 상기 분석부(20)의 제어 신호에 의해 적절한 상기 미립자 시료의 위치가 가로 방향(X축)과 세로 방향(Y축)으로 이동할 수 있다.The XY table 11 is required to place a particulate sample to be used for the measurement, and the position of the particulate sample appropriately by the control signal of the
상기 현미경(12)은 상기 XY 테이블(11) 위의 상기 미립자 시료를 확대하는 역할을 한다. 미립자인 경우, 크기가 작기 때문에 현미경에 의한 확대 촬영이 수반되지 않고는 미립자 단일 객체의 확인이 불가능하기 때문이다.The
또한, 상기 촬영모듈(13)은 CCD나 CIS(CMOS Image Sensor)등을 이용한 카메라를 장착하여 상기 현미경(12)에 의해 확대된 미립자 시료의 영상을 촬영하는 역할을 한다.In addition, the
아울러, 상기 제1 통신모듈(14)은 상기 분석부(20)와의 통신을 수행한다. 즉상기 촬영모듈(13)에 의해 촬영된 영상을 상기 분석부(20)로 송신하고, 상기 분석부(20)로부터 상기 XY 테이블(11)을 제어하기 위한 신호를 수신하는 역할을 한다.
In addition, the
하기에 상기 분석부(20)의 역할에 대해 각 구성 요소에 의해 좀 더 구체적으로 설명하기로 한다.Hereinafter, the role of the
상기 분석부(20)는 제어모듈(21), 데이터모듈(22), 학습모듈(23), 영상처리모듈(24), 분류모듈(25) 및 제2 통신모듈(26)을 포함한다.The
상기 제어모듈(21)은 상기 XY 테이블(11)을 제어하기 위한 신호를 생성한다. The
상기 데이터모듈(22)은 미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함한다. The
상기 학습모듈(23)은 상기 데이터모듈(22)에 저장된 데이터를 이용하여 새로운 미립자의 측정이 이루어질 때, 측정된 미립자를 분류하기 위한 기준을 생성한다.The
상기 기준은 상기 측정 데이터가 신규로 생성될 때마다 새로이 갱신되어 보다 신뢰도가 높은 기준을 생성할 수 있는 것을 특징으로 한다.
The criterion may be updated every time the measurement data is newly generated, thereby generating a criterion having higher reliability.
본 발명의 바람직한 일실시예에 따른 미립자의 분류는 세가지 종류로 나눌 수 있다. The classification of the fine particles according to an embodiment of the present invention can be divided into three types.
즉, 칩(Chip), 버(Burr) 및 주조 잔해(Cast Debris)이다.That is, chips, burrs, and cast debris.
도 2에 칩, 버 및 주조 잔해의 형상의 한 예를 나타내었다.An example of the shape of a chip, burr, and casting debris is shown in FIG.
좀 더 자세히 칩, 버 및 주조 잔해의 특징에 대해 알아보기로 한다.Let's take a closer look at the characteristics of chips, burrs, and casting debris.
칩은 작은 조각을 의미하며, 기계 변형의 결과로 어떤 영역에서는 표면이 매끈하다. 버는 칩보다 작은 크기로 어떤 범주에서는 칩과의 분류가 명확하지 못하다, 그래서 그 구성비의 추정이 필요로 한다. 버는 적은 양의 규소와 탄소의 비를 나타내는 데 그 이유는 버는 재료에 여전히 남아있기 때문이다.Chips are small pieces, and as a result of mechanical deformation, the surface is smooth in some areas. The burr is smaller than the chip and in some categories the classification with the chip is not clear, so an estimate of its composition ratio is needed. The burr exhibits a small amount of silicon and carbon ratio because the burr still remains in the material.
마지막으로 주조 잔해는 표면과 떨어져 있고 규소와 탄소의 비는 칩 및 버와는 다르다. 또한, 그 경계는 칩과 버 보다는 매끄러운 특징이 있다.
Finally, the casting debris is away from the surface and the ratio of silicon and carbon is different from chips and burrs. In addition, the boundaries are smoother than chips and burs.
상기 학습모듈(23)에서는 구체적으로 인공 지능 신경망에 의해 기준을 생성한다. 도 3에 인공 지능 신경망의 일실시예를 나타내었다.In the
즉, 인공 지능 신경망의 입력부에는 미립자의 길이, 너비, 표면 감촉 및 색 정보를 포함하는 정보를 입력하고, 출력부에 미립자 분류를 할당하게 되면 가장 최적의 인공 지능 신경망에 의한 기준을 생성하게 된다.That is, inputting information including the length, width, surface texture, and color information of the fine particles to the input of the artificial intelligence neural network, and assigning the fine particle classification to the output generates the most optimal reference by the artificial intelligence neural network.
생성된 기준에 측정된 미립자의 데이터를 입력하게 되면, 입력된 데이터를 바탕으로 상기의 세가지 미립자의 분류 중 하나로 분류하게 된다.
즉, 기설정된 미립자 분류를 위한 기준에 의해 측정된 미립자 측정 데이터 및 상기 측정된 미립자의 분류 데이터를 포함하는 데이터 모듈의 저장된 데이터를 인공 지능 신경망의 입력부에 입력하고, 인공 지능 신경망의 출력부에 미립자 분류를 할당하여 미립자 분류를 위한 기준을 설정하는 인공 지능 신경망을 포함하며, 상기 인공 지능 신경망을 이용하여 상기 데이터모듈의 측정데이터가 신규로 생성될 때마다 새로이 갱신되어 새로운 기준을 재생성하는 것을 특징으로 한다.
When the data of the measured fine particles are input to the generated criteria, the fine particles are classified into one of the three types of fine particles based on the input data.
That is, the particle measurement data measured by the criteria for the predetermined particle classification and the stored data of the data module including the classification data of the measured particles are input to the input of the artificial intelligence neural network, the fine particles to the output of the artificial intelligence neural network An artificial neural network for assigning a classification to set a criterion for classifying particulates, wherein the artificial intelligence neural network is newly updated whenever the measurement data of the data module is newly generated using the artificial neural network to regenerate a new standard; do.
상기 제2 통신모듈(26)은 상기 측정부(10)로부터 촬영된 영상을 수신하고, 상기 XY 테이블(11)을 제어하기 위한 신호를 송신하기 위한 역할을 한다.The
상기 영상처리모듈(24)은 상기 제2 통신모듈(26)을 통해 수신된 상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 역할을 한다. The
상기 영상처리모듈(24)에 의해 선명하게 단위 미립자 객체로 분리된 영상을 이용하여 상기 분류모듈(25)은 미립자의 크기, 너비, 표면 감촉 및 색 정보 등의 미립자의 각종 형상 정보를 데이터로 추출하고, 추출된 데이터 정보를 이용하여 상시 기준에 의해 미립자를 분류하는 역할을 한다.
Using the image clearly separated by the
또한, 추출된 데이터를 이용하여 미립자를 구성하는 규소와 탄소의 구성비를 추정할 수 있다.
In addition, the extracted data can be used to estimate the composition ratio of silicon and carbon constituting the fine particles.
도 4는 본 발명의 바람직한 일실시예에 따른 미립자 분석 방법의 흐름도를 나타낸다.4 shows a flowchart of a particulate analysis method according to one preferred embodiment of the present invention.
즉, 본 발명의 바람직한 일실시예에 따르는 미립자 분석 방법은 상기 분석부(20)가 저장된 데이터를 이용하여 기준을 생성하는 단계(S5); 상기 측정부(10)가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계(S10); 상기 측정부(10)가 상기 미립자의 영상을 상기 분석부(10)로 송신하는 단계; 상기 분석부(20)가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및 상기 분석부(20)가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 기준에 의해 미립자를 분류하는 단계;를 포함한다.
여기서, 기준을 생성하는 단계에는, (a') 기설정된 미립자 분류를 위한 기준에 의해 측정된 미립자 측정 데이터 및 상기 측정된 미립자의 분류 데이터를 포함하는 데이터 모듈의 저장된 데이터를 인공 지능 신경망의 입력부에 입력하고, 상기 인공 지능 신경망의 출력부에 미립자 분류를 할당하여 미립자 분류를 위한 기준을 설정하는 단계;를 포함하여, 상기 인공 지능 신경망을 이용하여 상기 데이터 모듈의 측정데이터가 신규로 생성될 때마다 새로이 갱신되어 새로운 기준을 재생성하는 것을 특징으로 한다.
That is, the particulate analysis method according to an embodiment of the present invention includes the step of generating a reference by the
Here, the generating of the reference may include (a ') storing the stored data of the data module including the particle measurement data measured by the reference for the predetermined particle classification and the classification data of the measured particles to an input unit of the artificial intelligence neural network. Inputting and allocating particulate classification to an output of the artificial intelligence neural network to set a criterion for particulate classification; each time measurement data of the data module is newly generated using the artificial intelligence neural network. It is characterized in that it is newly updated to regenerate a new standard.
10 : 측정부 20 : 분석부
11 : XY 테이블 12 : 현미경
13 : 촬영모듈 14 : 제1 통신모듈
21 : 제어모듈 22 : 데이터모듈
23 : 학습모듈 24 : 영상처리모듈
25 : 분류모듈 26 : 제2 통신모듈10: measuring unit 20: analysis unit
11: XY table 12: microscope
13: recording module 14: first communication module
21: control module 22: data module
23: learning module 24: image processing module
25: classification module 26: second communication module
Claims (9)
미립자를 확대하여 촬영하는 측정부; 및
다수의 저장된 미립자 측정 데이터를 이용하여 미립자를 분류하기 위한 기준을 설정하고, 상기 기준을 이용하여 새로이 측정된 미립자를 분류하는 분석부;를 포함하되,
상기 분석부는
상기 XY 테이블을 제어하기 위한 신호를 생성하는 제어모듈;
미립자 측정 데이터와 상기 측정된 미립자의 분류 데이터를 포함하는 데이터모듈;
상기 데이터 모듈에 저장된 데이터를 이용하여 미립자 분류를 위한 기준을 설정하는 학습모듈;
상기 측정부로부터 촬영된 영상을 수신하고, 상기 XY 테이블을 제어하기 위한 신호를 송신하기 위한 제2 통신모듈;
상기 촬영된 영상의 디지털 이미지 프로세싱을 실시하는 영상처리모듈;
상기 영상처리 모듈로부터의 디지털 이미지 프로세싱된 영상을 이용하여 상기 기준에 의해 미립자를 분류하는 분류모듈; 및
상기 기설정된 미립자 분류를 위한 기준에 의해 측정된 미립자 측정 데이터 및 상기 측정된 미립자의 분류 데이터를 포함하는 데이터 모듈의 저장된 데이터를 인공 지능 신경망의 입력부에 입력하고, 상기 인공 지능 신경망의 출력부에 미립자 분류를 할당하여 미립자 분류를 위한 기준을 설정하는 인공 지능 신경망;을 포함하며, 상기 인공 지능 신경망을 이용하여 상기 데이터모듈의 측정데이터가 신규로 생성될 때마다 새로이 갱신되어 새로운 기준을 재생성하는 것을 특징으로 하는 미립자 분석 시스템.
In the particulate analysis system,
A measuring unit which enlarges and photographs the fine particles; And
Includes; an analysis unit for setting the criteria for classifying the fine particles using a plurality of stored fine particle measurement data, and classifies the newly measured fine particles using the criteria;
The analysis unit
A control module for generating a signal for controlling the XY table;
A data module including fine particle measurement data and classification data of the measured fine particles;
A learning module for setting a criterion for classifying particulate matter using the data stored in the data module;
A second communication module for receiving an image captured by the measuring unit and transmitting a signal for controlling the XY table;
An image processing module for performing digital image processing of the captured image;
A classification module for classifying fine particles by the reference using the digital image processed image from the image processing module; And
Inputting the stored data of the data module including the particle measurement data measured by the criteria for the predetermined particle classification and the classification data of the measured particle into the input of the artificial intelligence neural network, An artificial neural network for allocating classification to set a criterion for classifying particulate matter, wherein the artificial intelligence neural network is newly updated whenever the measurement data of the data module is newly generated by using the artificial neural network. Particle Analysis System.
측정에 사용될 미립자를 올려놓기 위한 XY 테이블;
상기 미립자를 확대하기 위한 현미경;
상기 현미경으로부터의 영상을 촬영하기 위한 촬영모듈; 및
상기 촬영된 영상을 상기 분석부로 송신하고, 상기 분석부로부터 상기 XY 테이블을 제어하기 위한 신호를 수신하기 위한 제1 통신모듈;을 포함하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 1, wherein the measuring unit,
An XY table for placing the fine particles to be used for the measurement;
A microscope for enlarging the fine particles;
A photographing module for photographing an image from the microscope; And
And a first communication module for transmitting the captured image to the analyzer and receiving a signal for controlling the XY table from the analyzer.
상기 학습모듈의 기준설정방법에 사용되는 데이터는 미립자의 길이, 너비, 표면 감촉 및 색(Color) 정보를 포함하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 1,
Particle analysis system, characterized in that the data used in the reference setting method of the learning module includes the length, width, surface texture and color information of the particles.
상기 학습모듈의 기준설정방법에 사용되는 데이터를 이용하여 규소와 탄소의 구성비를 추정하는 것을 특징으로 하는 미립자 분석 시스템.
The method of claim 1,
Particle analysis system, characterized in that for estimating the composition ratio of silicon and carbon using the data used in the reference setting method of the learning module.
(b) 측정부가 XY 테이블 위의 미립자의 영상을 확대 촬영하는 단계;
(c) 상기 측정부가 상기 미립자의 영상을 상기 분석부로 송신하는 단계;
(d) 상기 분석부가 수신된 상기 미립자의 영상을 이용하여 디지털 이미지 프로세싱을 실시하는 단계; 및
(e) 상기 분석부가 상기 디지털 이미지 프로세싱된 영상을 이용하여 상기 기준에 의해 미립자를 분류하는 단계;를 포함하되,
상기 (a) 단계는,
(a') 기설정된 미립자 분류를 위한 기준에 의해 측정된 미립자 측정 데이터 및 상기 측정된 미립자의 분류 데이터를 포함하는 데이터 모듈의 저장된 데이터를 인공 지능 신경망의 입력부에 입력하고, 상기 인공 지능 신경망의 출력부에 미립자 분류를 할당하여 미립자 분류를 위한 기준을 설정하는 단계;를 포함하여, 상기 인공 지능 신경망을 이용하여 상기 데이터 모듈의 측정데이터가 신규로 생성될 때마다 새로이 갱신되어 새로운 기준을 재생성하는 것을 특징으로 하는 미립자 분석 방법.(a) setting a reference by using the data stored in the analysis unit;
(b) the photographing unit zooms in to capture an image of the fine particles on the XY table;
(c) the measuring unit transmitting an image of the fine particles to the analyzing unit;
(d) performing digital image processing using the image of the particulates received by the analyzer; And
(e) the analysis unit classifying the fine particles by the reference using the digital image processed image;
The step (a)
(a ') inputting the stored data of the data module including the particle measurement data measured by the criteria for the predetermined particle classification and the classification data of the measured particles to the input of the artificial intelligence neural network, and outputting the artificial neural network Assigning a particle classification to the unit to set a criterion for classifying the particle; including, by using the artificial intelligence neural network, whenever the measurement data of the data module is newly generated, regenerating a new standard. Characterized by the particulate analysis method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100055956A KR101186964B1 (en) | 2010-06-14 | 2010-06-14 | Particle Analysis System and Method Therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100055956A KR101186964B1 (en) | 2010-06-14 | 2010-06-14 | Particle Analysis System and Method Therefor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110136141A KR20110136141A (en) | 2011-12-21 |
| KR101186964B1 true KR101186964B1 (en) | 2012-09-28 |
Family
ID=45502821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100055956A KR101186964B1 (en) | 2010-06-14 | 2010-06-14 | Particle Analysis System and Method Therefor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101186964B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916751B (en) * | 2021-09-15 | 2024-02-09 | 中国人民解放军总医院第一医学中心 | Automatic detection system for whole cells of micro-vision image |
| KR102598987B1 (en) * | 2021-11-01 | 2023-11-06 | (주)코셈 | Method for automatically analyzing micro particles distributed over a large area using artificial intelligence, electron microscope and EDS analyzer |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100567625B1 (en) | 2004-10-19 | 2006-04-04 | 삼성전자주식회사 | Method for inspecting a defect and apparatus for performing the same |
| KR100687090B1 (en) | 2005-05-31 | 2007-02-26 | 삼성전자주식회사 | Method for classifying a defect |
| KR100926019B1 (en) * | 2005-02-03 | 2009-11-11 | 가부시키가이샤 레이텍스 | Defective particle measuring apparatus and defective particle measuring method |
-
2010
- 2010-06-14 KR KR1020100055956A patent/KR101186964B1/en not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100567625B1 (en) | 2004-10-19 | 2006-04-04 | 삼성전자주식회사 | Method for inspecting a defect and apparatus for performing the same |
| KR100926019B1 (en) * | 2005-02-03 | 2009-11-11 | 가부시키가이샤 레이텍스 | Defective particle measuring apparatus and defective particle measuring method |
| KR100687090B1 (en) | 2005-05-31 | 2007-02-26 | 삼성전자주식회사 | Method for classifying a defect |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110136141A (en) | 2011-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951237B (en) | Visual appearance detection method | |
| Chen et al. | A light-weighted CNN model for wafer structural defect detection | |
| US20210118125A1 (en) | Hot spot defect detecting method and hot spot defect detecting system | |
| CN113095438B (en) | Wafer defect classification method, device and system thereof, electronic equipment and storage medium | |
| JP2008059081A (en) | Image processing apparatus, image processing method and computer program | |
| CN101047786A (en) | Image sensing apparatus, image sensing system, and image sensing method | |
| KR20210132566A (en) | Method and system for classifying defects in wafer using wafer-defect images, based on deep learning | |
| KR101186964B1 (en) | Particle Analysis System and Method Therefor | |
| CN104034638A (en) | Diamond wire particle online quality inspection method based on machine vision | |
| CN105592258B (en) | Auto focusing method and device | |
| CN109378279A (en) | Wafer detection method and wafer detection system | |
| TWI823419B (en) | Sample observation device and method | |
| KR20160086897A (en) | Motion and focus blur removal from pattern images | |
| US20130208984A1 (en) | Content scene determination device | |
| CN105608411A (en) | Image classification method and apparatus for preset tour camera | |
| US20050058335A1 (en) | Defect management method | |
| US20210223308A1 (en) | Dual-sided wafer imaging apparatus and methods thereof | |
| CN110378916B (en) | TBM image slag segmentation method based on multitask deep learning | |
| Allen et al. | Automatic recognition of light microscope pollen images | |
| US11407079B2 (en) | Monitoring condition of deburring media in vibration deburring machine | |
| JP2007323177A (en) | Image processor | |
| JP2018536275A (en) | Real-time scanning electron microscope invisible binner based on range | |
| CN106982341A (en) | The method and electronic installation of film when producing contracting | |
| CN112464905A (en) | 3D target detection method and device | |
| TWI530912B (en) | Image processing method based on object and image capturing device thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| LAPS | Lapse due to unpaid annual fee |