KR102572968B1 - 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치 - Google Patents

Abstract

본 발명은 패키징 공정을 진행한 다음, 이엠씨층이 도포된 웨이퍼의 검사영역에 포함된 버퍼영역에서 크랙을 검출하기 위한 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치에 관한 것이다.
이를 위해, 딥러닝을 이용한 웨이퍼 검사방법은 검사영역을 촬영한 입력이미지의 검사 결과, 검사영역에 포함된 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출하는 딥러닝을 이용한 웨이퍼 검사방법이고, 블리딩 상태에서의 크랙의 종류에 따른 데이터세트를 제작하는 제1제작단계와 블리딩 상태에 기초하여 크랙의 종류에 따라 합성곱연산과 풀링연산을 차례로 실시하여 정상이미지와 비정상이미지를 분류하는 심층분석단계와 심층분석단계의 결과 비정상이미지에 대한 좌표값에 대해 라벨링데이터를 제작하는 제2제작단계를 포함한다.

Description

딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치{WAFER INSPECTION METHOD USING THE DEEP LEARNING AND WAFER INSPECTION DEVICE FOR IMPLEMENTING THIS}

본 발명은 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치에 관한 것으로, 보다 구체적으로는 패키징 공정을 진행한 다음, 이엠씨층이 도포된 웨이퍼의 검사영역에 포함된 버퍼영역에서 크랙을 검출하기 위한 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치에 관한 것이다.

반도체 공정에서 패키징 공정의 이엠씨층은 IC(Integrated Circuits), LSI(Large Scale IC), VLSI(Very Large Scale IC)등의 반도체 소자를 외부로부터의 충격, 진동, 수분, 방사선 등으로부터 보호하기 위해 사용된다. 또한, 웨이퍼는 얇은 웨이퍼이고, 웨이퍼의 하부에는 공정 중의 파손을 방지하기 위해 커버를 설치한다.

패키징 공정의 진행이 완료되면, 다시 커버를 제거하게 된다. 이때, 이엠씨층의 가장자리에 형성되는 버퍼영역에 크랙이 형성되면, 웨이퍼의 파손이 발생하게 된다.

하지만, 패키징 공정의 진행이 완료된 다음에는 별도로 웨이퍼의 검사가 이루어지지 않기 때문에 패키징 공정을 거쳐 전달되는 웨이퍼로부터 커버를 제거할 때, 웨이퍼의 파손이 발생하여야 웨이퍼의 크랙 존재 유무를 확인할 수 있다.

대한민국 공개특허공보 제10-2020-0044172호 (2020. 04. 29. 공개, 발명의 명칭: 표면검사를 위한 딥러닝 학습방법)

본 발명의 목적은 종래의 문제점을 해결하기 위한 것으로서, 패키징 공정을 진행한 다음, 이엠씨층이 도포된 웨이퍼의 검사영역에 포함된 버퍼영역에서 크랙을 검출하기 위한 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치을 제공함에 있다.

또한, 본 발명의 목적은 웨이퍼의 검사영역에 포함된 버퍼영역을 전수 검사하여 크랙의 검출은 물론 이엠씨층의 성립 상태를 간편하게 검출하기 위한 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치을 제공함에 있다.

상술한 본 발명의 목적을 달성하기 위한 바람직한 실시예에 따르면, 본 발명의 제1예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 검사영역을 촬영한 입력이미지의 검사 결과, 상기 검사영역에 포함된 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 상기 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출하는 딥러닝을 이용한 웨이퍼 검사방법이고, 상기 블리딩 상태에서의 크랙의 종류에 따른 데이터세트를 제작하는 제1제작단계; 상기 블리딩 상태에 기초하여 크랙의 종류에 따라 합성곱연산과 풀링연산을 차례로 실시하여 정상이미지와 비정상이미지를 분류하는 심층분석단계; 및 상기 심층분석단계의 결과, 상기 비정상이미지에 대한 좌표값에 대해 라벨링데이터를 제작하는 제2제작단계;를 포함한다.

여기서, 상기 심층분석단계는, 상기 입력이미지의 데이터세트에 대해 상기 입력이미지보다 작은 픽셀로 이루어진 제1영역으로 상기 입력이미지를 분리하여 제1필터를 제작하는 제1필터링단계; 상기 제1영역에 대하여 상기 제1영역보다 작은 커널을 적용하여 합성곱연산을 수행하여 제1특징부를 획득하는 합성곱연산단계; 상기 합성곱연산단계의 결과를 가지고 기설정된 풀링정보에 따라 풀링연산을 수행하여 상기 정상이미지와 상기 비정상이미지 중 어느 하나에 대한 제2특징부를 획득하는 풀링연산단계; 상기 제2특징부를 취합하여 1차원으로 배열 가능한 제2필터를 제작하는 제2필터링단계; 및 상기 제1필터링단계에서 분리되는 제1영역의 크기변화횟수에 대응하여 상기 제1필터링단계로의 복귀 여부를 선택하는 구성비교단계;를 포함하되, 상기 구성비교단계는, 상기 제1영역의 크기변화횟수가 기설정된 기준횟수와 일치하는 경우, 상기 제2제작단계를 실시하고, 상기 제1영역의 크기변화횟수가 기설정된 기준횟수보다 작은 경우, 상기 제1필터링단계로 복귀한다.

본 발명의 제1예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 상기 라벨링데이터에 포함된 좌표값을 이용하여 상기 비정상이미지의 위치를 상기 입력이미지에 표시하는 검출표시단계; 및 상기 제1제작단계에서 제작된 데이터세트는 업데이트를 위한 훈련세트와, 업데이트 중지를 위한 검증세트와, 상기 합성곱연산과 상기 풀링연산의 성능지표 결정을 위한 평가세트로 구분하되, 상기 심층분석단계에 적용되는 매개변수를 업데이트하는 변수갱신단계; 중 적어도 어느 하나를 더 포함한다.

여기서, 상기 변수갱신단계는, 상기 심층분석단계에 적용되는 매개변수 초기값을 랜덤으로 구성하는 랜덤선택단계; 상기 훈련세트를 입력한 다음 출력되는 클래스별 결과값과 사전 입력이미지의 라벨링데이터로 제1오차값을 획득하는 제1취득단계; 상기 제1오차값의 최소화를 위한 역전파 알고리즘을 사용하여 상기 매개변수를 업데이트하여 갱신데이터를 제공하는 업데이트단계; 상기 업데이트단계에서 제공하는 갱신데이터와 상기 검증세트로 제2오차값을 획득하는 제2취득단계; 및 상기 제2오차값과 기설정된 기준한계값을 비교하는 한계비교단계;를 포함하되, 상기 한계비교단계는, 상기 제2오차값이 기설정된 기준한계값과 같거나 작은 경우, 후속 공정을 실시하고, 상기 제2오차값이 기설정된 기준한계값보다 큰 경우, 상기 업데이트단계로 복귀한다.

여기서, 전체 데이터세트 중 상기 훈련세트의 비율을 r1 이라 하고, 상기 검증세트의 비율을 r2 라 하며, 상기 평가세트의 비율을 r3 이라 하면, r1:r2:r3=70:15:15 인 관계식을 만족한다.

본 발명의 제1예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 업데이트된 상기 훈련세트와 상기 평가세트를 비교하여 상기 성능지표를 결정하는 평가단계;를 더 포함한다.

본 발명의 제2예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 반입용기에 수용된 검사대상을 측정위치에 정위치시키는 정위치단계; 상기 검사대상을 회전시키고, 상기 검사대상의 검사영역을 촬영하여 입력이미지를 획득하는 획득단계; 상기 입력이미지를 관심영역에서 이진 영상처리하여 처리이미지를 획득하고, 상기 처리이미지의 그래이레벨과 기설정된 한계레벨을 비교하여 상기 검사영역에 포함된 버퍼영역의 상태를 분류하는 검사단계; 상기 검사단계를 거쳐 분류된 상기 버퍼영역의 상태를 판정하는 판정단계; 및 상기 판정단계를 거친 다음, 상기 측정위치로부터 검사가 완료된 검사대상을 분리시키는 언로딩단계;를 포함하고, 상기 검사단계를 거쳐 분류된 상기 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 상기 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출하는 딥러닝분석단계;를 더 포함한다.

여기서, 상기 딥러닝분석단계는, 본 발명의 제1예에 따른 딥러닝을 이용한 웨이퍼 검사방법을 포함한다.

본 발명의 제2예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 상기 검사대상이 수용된 반입용기가 반입되는 반입단계; 상기 획득단계와 상기 검사단계를 실시하기 위한 장치를 세팅하는 준비단계; 상기 언로딩단계를 거쳐 반출된 검사대상이 수용되는 반출용기의 반출 여부를 감시하는 반출비교단계; 및 상기 반입용기의 반출 여부를 감시하는 반입비교단계; 중 적어도 어느 하나를 더 포함한다.

본 발명의 제2예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 상기 반출비교단계의 결과, 상기 반출용기에 검사대상이 모두 수용된 경우, 상기 반출용기를 교체하는 반출단계;를 더 포함한다.

본 발명에 따른 웨이퍼 검사장치는 검사대상의 고속 회전을 구현하는 회전모듈; 상기 검사대상으로부터 입력이미지를 획득하는 카메라; 및 상기 입력이미지를 분석하여 상기 검사대상의 검사영역에서 크랙의 유무를 검출하는 제어모듈;을 포함하고, 상기 제어모듈은, 본 발명에 따른 딥러닝을 이용한 웨이퍼 검사방법을 구현한다.

본 발명에 따른 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치에 따르면, 패키징 공정을 진행한 다음, 이엠씨층이 도포된 웨이퍼의 검사영역에 포함된 버퍼영역에서 크랙을 검출할 수 있다.

특히, 본 발명은 검사영역에 포함된 버퍼영역이 블리딩 상태일 때, 상기 검사단계에서 영상처리된 처리이미지에서 크랙의 그래이레벨과 블리딩의 그래이레벨이 유사하여 크랙과 블리딩의 구분이 모호하지만, 본 발명과 같은 딥러닝을 이용함에 따라 버퍼영역에서 크랙과 블리딩의 구분을 명확하게 하고, 블리딩 상태인 버퍼영역에서 크랙을 간편하게 검출할 수 있다.

또한, 본 발명은 심층분석단계의 세부 구성을 통해 딥러닝의 동작을 명확하게 하고, 추출되는 라벨링데이터를 명확하게 할 수 있다.

또한, 본 발명은 검출표시단계의 부가 구성을 통해 블리딩 상태인 버퍼영역에서의 크랙 위치를 간편하게 확인하고, 웨이퍼의 불량 여부를 명확하게 할 수 있다.

또한, 본 발명은 변수갱신단계의 부가 구성을 통해 웨이퍼 검사를 반복함에 따라 딥러닝 정확도를 향상시키고, 웨이퍼의 불량 여부를 명확하게 판정할 수 있다.

또한, 본 발명은 변수갱신단계의 세부 구성을 통해 심층분석단계에 적용되는 매개변수를 명확하게 하고, 업데이트된 갱신데이터를 이용하여 블리딩 상태인 버퍼영역에서 크랙의 검출율을 향상시킬 수 있다.

또한, 본 발명은 데이터세트에 대한 비율 한정을 통해 변수갱신단계의 동작을 명확하게 하고, 업데이트되는 데이터세트의 성능지표를 향상시킬 수 있다.

또한, 본 발명은 평가단계의 부가 구성을 통해 데이터세트의 성능지표를 감시하고, 데이터세트의 성능지표가 저하되는 것을 방지할 수 있다.

또한, 본 발명은 웨이퍼의 검사영역에 포함된 버퍼영역을 전수 검사하여 크랙의 검출은 물론 이엠씨층의 성립 상태를 간편하게 검출할 수 있다.

또한, 본 발명은 패키징 공정을 진행한 다음, 웨이퍼의 파손 여부, 이엠씨층의 성립 상태를 체크하여 생산 공정에서의 수율을 향상시킬 수 있다.

또한, 본 발명은 반입단계의 부가 구성을 통해 검사대상의 반입을 자동화할 수 있다.

또한, 본 발명은 준비단계의 부가 구성을 통해 장치의 동작을 명확하게 할 수 있다.

또한, 본 발명은 반출비교단계의 부가 구성을 통해 검사가 완료된 검사대상의 이동 및 후속 공정과의 연계를 원활하게 할 수 있다.

또한, 본 발명은 반입비교단계의 부가 구성을 통해 반입단계와 연계하여 검사대상의 반입을 자동화할 수 있다.

또한, 본 발명은 반출단계의 부가 구성을 통해 반출비교단계와 연계하여 검사가 완료된 검사대상의 이동 및 후속 공정과의 연계를 원활하게 할 수 있다.

도 1은 패키징 공정을 진행한 다음, 검사하기 위한 웨이퍼의 상태를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법을 도시한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에서 딥러닝분석단계를 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 따라 획득한 영상의 일부를 나타내는 것으로, (a)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 누설 상태인 것을 나타내고, (b)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 불완전 상태인 것을 나타내며, (c)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 크랙 상태인 것을 나타내고, (d)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 블리딩 상태인 것을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 따라 획득한 영상의 일부를 나타내는 것으로, (a)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 누설 상태인 것을 나타내고, (b)는 검사단계를 거쳐 누설 상태인 버퍼영역이 영상처리된 상태를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 따라 획득한 영상의 일부를 나타내는 것으로, (a)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 불완전 상태인 것을 나타내고, (b)는 검사단계를 거쳐 불완전 상태인 버퍼영역이 영상처리된 상태를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 따라 획득한 영상의 일부를 나타내는 것으로, (a)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 크랙 상태인 것을 나타내고, (b)는 검사단계를 거쳐 크랙 상태인 버퍼영역이 영상처리된 상태를 나타낸다.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 따라 획득한 영상의 일부를 나타내는 것으로, (a)는 획득단계를 거쳐 획득한 검사영역의 일부에 있어서 버퍼영역이 블리딩 상태인 것을 나타내고, (b)는 검사단계를 거쳐 블리딩 상태인 버퍼영역이 영상처리된 상태를 나타낸다.
도 9는 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에서 딥러닝분석단계에 적용되는 심층 합성곱 신경망을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 웨이퍼 검사장치를 도시한 사진이다.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치의 일 실시예를 설명한다. 이때, 본 발명은 실시예에 의해 제한되거나 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 공지된 기능 혹은 구성에 대해 구체적인 설명은 본 발명의 요지를 명확하게 하기 위해 생략될 수 있다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법에 있어서, 검사대상은 패키징 공정을 진행한 다음, 반입용기에 다수 개가 수용되고, 웨이퍼 검사를 위해 반입용기가 전달된다. 검사대상은 웨이퍼와, 이엠씨층과, 커버를 포함할 수 있다.

웨이퍼는 얇은 웨이퍼가 적용될 수 있다. 웨이퍼는 통상 원형의 판 형상을 나타낼 수 있다.

이엠씨층은 웨이퍼의 상부에 도포된다. 이엠씨층은 웨이퍼와 실질적으로 동축을 형성하는 원형의 판 형상을 나타낼 수 있다. 이엠씨층은 웨이퍼의 직경보다 작게 형성된다. 이엠씨층의 가장자리에는 웨이퍼의 가장자리가 노출되어 버퍼영역을 형성한다. 이엠씨층은 EMC(Epoxy Molding Compound)가 적용될 수 있다.

커버는 웨이퍼의 하부에 적층 지지된다. 커버는 웨이퍼와 실질적으로 동축을 형성하는 원형의 판 형상을 나타낼 수 있다. 커버는 웨이퍼의 직경보다 크게 형성된다. 커버는 캐리어웨이퍼가 적용될 수 있다.

이때, 검사영역은 버퍼영역이 포함되는 것으로, 검사영역에는 이엠씨층의 가장자리 단부와 웨이퍼의 가장자리 단부 모두 포함되도록 한다. 검사영역의 폭은 약 700 마이크로미터 내지 2000 마이크로미터를 나타낼 수 있다.

도 2 내지 도 9를 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 정위치단계(S3)와, 획득단계(S4)와, 검사단계(S5)와, 판정단계(S6)와, 언로딩단계(S7)를 포함하고, 딥러닝분석단계(S10)를 더 포함할 수 있다.

정위치단계(S3)는 반입용기에 수용된 검사대상을 측정위치에 정위치시킨다. 정위치단계(S3)는 반입용기에 수용된 검사대상을 로봇으로 픽업하여 회전모듈의 회전판에 정위치 로딩시킬 수 있다. 그러면, 검사대상의 측정위치는 카메라와 마주보게 된다. 이때, 로봇은 후술하는 준비단계(S2)의 동작에 따라 동작 제어를 위한 세팅이 이루어지도록 한다.

획득단계(S4)는 검사대상을 회전시키고, 검사대상의 검사영역을 촬영하여 입력이미지를 획득한다. 여기서, 검사대상의 회전 동작은 회전모듈의 제어 동작에 의해 실시되고, 검사영역의 촬영은 카메라의 제어 동작에 의해 실시된다. 이때, 검사영역을 촬영하는 카메라는 후술하는 준비단계(S2)의 동작에 따라 동작 제어를 위한 세팅이 이루어지도록 한다.

검사단계(S5)는 입력이미지를 관심영역에서 이진 영상처리하여 처리이미지를 획득하고, 처리이미지의 그래이레벨과 기설정된 한계레벨을 비교하여 검사영역에 포함된 버퍼영역의 상태를 분류한다. 검사단계(S5)는 제어모듈의 동작에 의 해 실시된다.

버퍼영역의 상태는 정상 상태와, 누설 상태와, 불완전 상태와, 크랙 상태와, 블리딩 상태로 구분할 수 있다.

정상 상태는 누설 상태와 불완전 상태와 크랙 상태와 블리딩 상태가 없고, 버퍼영역에서 이엠씨층의 가장자리 단부와 웨이퍼의 가장자리 단부가 명확하게 표시되는 상태를 의미한다.

누설 상태는 도 4의 (a)와 도 5의 (a)에 도시된 바와 같이 이엠씨층의 가장자리 단부로부터 이엠씨층이 버퍼영역으로 돌출된 상태를 의미한다. 이때, 검사단계(S5)는 이러한 부분을 입력이미지에서 관심영역으로 설정하게 된다. 이러한 관심영역은 검사단계(S5)에서 이진 영상처리되어 도 5의 (b)에 도시된 바와 같이 그래이레벨로 변환된 처리이미지를 구현하게 된다. 그리고 검사단계(S5)는 처리이미지의 버퍼영역에서 그래이레벨과 기설정된 한계레벨을 비교하면, 누설 상태인 버퍼영역에서 기설정된 한계레벨 이상인 영역이 구분되어 누설 상태인 부분의 경계가 표시된다. 기설정된 한계레벨 이상의 픽셀에 해당하는 면적을 추출한 다음, 해당 면적의 임계치수가 기설정된 확정규격과 비교함으로써, 입력이미지의 버퍼영역으로 이엠씨층이 누설된 것으로 분류할 수 있다. 일예로, 버퍼영역에서 해당 면적의 임계치수가 기설정된 확정규격보다 큰 경우, 입력이미지의 버퍼영역에 누설이 발생된 것으로 분류할 수 있다. 다른 예로, 누설 상태인 부분의 경계가 명확한 경우, 입력이미지의 버퍼영역에 누설이 발생된 것으로 분류할 수 있다.

불완전 상태는 도 4의 (b)와 도 6의 (a)에 도시된 바와 같이 이엠씨층의 가장자리 단부에 이엠씨층이 미완성으로 형성된 상태를 의미한다. 이때, 검사단계(S5)는 이러한 부분을 입력이미지에서 관심영역으로 설정하게 된다. 이러한 관심영역은 검사단계(S5)에서 이진 영상처리되어 도 6의 (b)에 도시된 바와 같이 그래이레벨로 변환된 처리이미지를 구현하게 된다. 그리고 검사단계(S5)는 처리이미지의 버퍼영역에서 그래이레벨과 기설정된 한계레벨을 비교하면, 불완전 상태인 버퍼영역에서 기설정된 한계레벨 이상인 영역이 구분되어 불완전 상태인 부분의 경계가 표시된다. 기설정된 한계레벨 이상의 픽셀에 해당하는 면적을 추출한 다음, 해당 면적의 임계치수가 기설정된 확정규격과 비교함으로써, 입력이미지의 버퍼영역에 못미쳐 이엠씨층의 가장자리 단부가 형성되어 이엠씨층이 불완전 상태로 도포된 것으로 분류할 수 있다. 일예로, 버퍼영역에서 해당 면적의 임계치수가 기설정된 확정규격보다 큰 경우, 입력이미지의 버퍼영역에 못미쳐 이엠씨층의 가장자리 단부가 형성된 것으로 분류할 수 있다. 다른 예로, 불완전 상태인 부분의 경계가 명확한 경우, 입력이미지의 이엠씨층의 가장자리 단부에 이엠씨층이 불완전하게 도포된 것으로 것으로 분류할 수 있다.

크랙 상태는 도 4의 (c)와 도 7의 (a)에 도시된 바와 같이 버퍼영역에 크랙이 형성된 상태를 의미한다. 이때, 검사단계(S5)는 이러한 부분을 입력이미지에서 관심영역으로 설정하게 된다. 이러한 관심영역은 검사단계(S5)에서 이진 영상처리되어 도 6의 (b)에 도시된 바와 같이 그래이레벨로 변환된 처리이미지를 구현하게 된다. 그리고 검사단계(S5)는 처리이미지의 버퍼영역에서 그래이레벨과 기설정된 한계레벨을 비교하면, 크랙 상태인 버퍼영역에서 기설정된 한계레벨 이상인 영역이 구분되어 크랙 상태인 부분의 경계가 표시된다. 기설정된 한계레벨 이상의 픽셀에 해당하는 면적을 추출한 다음, 해당 면적의 임계치수가 기설정된 확정규격과 비교함으로써, 입력이미지의 버퍼영역에 크랙이 형성되어 버퍼영역에 크랙이 형성된 것으로 분류할 수 있다. 일예로, 버퍼영역에서 해당 면적의 임계치수가 기설정된 확정규격과 같거나 작은 경우, 입력이미지의 버퍼영역에 크랙이 형성된 것으로 분류할 수 있다. 다른 예로, 크랙 상태인 부분의 경계가 명확한 경우, 입력이미지의 버퍼영역에 크랙이 형성된 것으로 분류할 수 있다.

블리딩 상태는 도 4의 (d)와 도 8의 (a)에 도시된 바와 같이 버퍼영역에 블리딩이 형성된 상태를 의미한다. 이때, 검사단계(S5)는 이러한 부분을 입력이미지에서 관심영역으로 설정하게 된다. 이러하 관심영역은 검사단계(S5)에서 이진 영상처리되어 도 8의 (b)에 도시된 바와 같이 그래이레벨로 변환된 처리이미지를 구현하게 된다. 그리고 검사단계(S5)는 처리이미지의 버퍼영역에서 그래이레벨과 기설정된 한계레벨을 비교하면, 그 경계가 모호하게 된다. 도 8의 (b)와 같이 블리딩 부분에서는 크랙의 그래이레벨과 블리딩의 그래이레벨이 유사하기 때문에 두 물체의 경계선을 검출하기 어렵게 된다. 이에 따라, 입력이미지의 버퍼영역에 블리딩이 형성되어 버퍼영역에 블리딩이 형성된 것으로 분류할 수 있다.

이때, 블리딩 상태인 버퍼영역에서 크랙을 검출하기 위해 딥러닝분석단계(S10)를 실시하게 된다.

패키징 공정에서 이엠씨층을 도포한 다음, 그 상태를 체크하지 않고 있으므로, 웨이퍼에 크랙이 발생하면, 후속 공정에서 커버를 제거할 때, 웨이퍼의 파손이 발생하는 것으로 웨이퍼의 크랙을 인지하는 문제점이 있었다.

웨이퍼에서 이엠씨층의 형성이 정상적이지 못하면, 이엠씨층 고유의 역할인 제품이 외부로부터의 충격, 진동, 수분, 방사선 등으로부터 보호되는 것이 감소하게 되고, 웨이퍼의 불량을 유발하기 때문에, 본 발명의 일 실시예에 따른 웨이퍼 검사방법을 사용하여 버퍼영역에서의 크랙 및 블리딩 상태인 버퍼영역에서의 크랙을 검출할 수 있게 되었다.

특히, 누설 상태와 불완전 상태는 획득단계(S4)의 입력이미지 또는 검사단계(S5)의 처리이미지에 따르면, 검사영역의 버퍼영역에서 주변부와의 반사강도로 구분이 가능할 수 있다.

여기서, 본 발명의 일 실시예에 따른 웨이퍼 검사장치의 구조적 특성 상 추가 공간을 확보하기 어렵다. 따라서, 본 발명의 일 실시예에 따른 웨이퍼 검사장치에 융합되어지는 형태를 고려하여 고속 회전하는 웨이퍼의 영상을 취득할 수 있다. 이때, 카메라는 아래와 같은 세 가지 조건을 만족하는 것이 유리하다.

첫째, 검사장치의 구조적 특성을 고려하여 카메라와 동축 형태를 이루는 동축조명을 장착할 수 있다.

둘째, 검사대상이 고속 회전할 때, 입력이미지를 취득해야 하므로, 카메라는 취득프레임이 초당 200 프레임 이상을 지원하는 입력부로 구현할 수 있다.

셋째, 검사대상의 뒤틀림 영향을 최소화하기 위한 방안으로 웨이퍼 표면의 Z 축을 추종하여 영상을 취득할 수 있는 변위센서를 추가로 장착할 수 있다.

또한, 취득된 영상에서 버퍼영역에 형성되어 있는 블리딩으로 인해 이엠씨층과의 검출 교차가 확인되는 경우, 블리딩 상태인 버퍼영역에서 발생되는 누설 상태와 불완전 상태의 구분이 필요할 수 있다. 이때, 카메라는 아래와 같은 하나의 조건을 만족하는 것이 유리하다.

첫째, 크랙의 검출 최소사이즈를 만족시키기 위한 사양의 입력부와 고속프레임의 성능을 유지시키는 카메라를 장착할 수 있다. 크랙의 검출 최소사이즈는 가로와 세로의 곱("X" 를 곱셈 기호로 표시함) 또는 세로와 가로의 곱("X" 를 곱셈 기호로 표시함)으로 20 마이크로미터 X 100 마이크로미터를 나타낼 수 있다. 센서의 크기는 약 3.45 마이크로미터를 나타낼 수 있다. 시야(FOV, Field Of View, "X" 를 곱셈 기호로 표시함)는 2448 픽셀 X 2048 픽셀을 나타낼 수 있다. 대물렌즈는 무한 초점 렌즈로 거리에 따라 상의 크기가 달라지는 요인을 제거하기 위해 텔레센트릭 렌즈(Telecentric Lens)이고, "텔레센트릭 2.0x" 을 적용할 수 있다.

여기서, 웨이퍼의 시작과 끝을 알기 위해 노치의 형태를 검사할 때, 형판 매칭 알고리즘(Template Matching Algorithm)을 적용할 수 있고, 시야 내에서 노치 전체 형태가 존재하도록 한다.

또한, 버퍼영역에서의 정상 상태, 누설 상태, 불완전 상태, 크랙 상태, 블리딩 상태를 영상 분석함에 있어서, 머신 비젼(Machine Vision)을 이용한 영상 알고리즘을 적용할 수 있다. 이때, 버퍼영역에서의 블리딩 상태를 영상 분석하는 경우, 상술한 바와 같이 그래이레벨이 유사하여 두 물체 사이의 경계선을 검출하기 어렵다.

검사영역의 버퍼영역에서 크랙 검사를 시행함에 있어서, 버퍼영역의 상태가 클린 상황에서 크랙이 검출 최소사이즈 이상으로 검출되도록 고해상도 카메라와 대물렌즈를 적용할 수 있다. 또한, 버퍼영역에 형성되는 크랙의 특성 상 하부크랙성장이 발생하므로, 경사각을 이용한 경사조명(미도시)으로 크랙과 관련된 영상을 안정되게 획득할 수 있다.

크랙을 검출하는 방법은 아래의 두 가지 방식을 적용하고 있다.

첫째, 블리딩 상태가 아닌 버퍼영역에서 크랙을 검출하는 경우는 클린 상황에서 크랙을 검출하는 것이지만, 이러한 크랙의 검출은 일반적인 머신 비젼 영상 처리를 통해 구현이 가능하도록 하고 있다.

또한, 블리딩 상태인 버퍼영역에서 크랙을 검출하는 경우는 도 5 내지 도 7의 (a)와 같이 1차 미분의 경계선 검출 방식과 도 5 내지 도 7의 (b)와 같이 2차 미분의 경계선 검출 방식이 적용되어 방향성을 갖는 LoG Mask 검출방식이 적용되지만, 크랙 추출의 한계가 존재하고, 블리딩이 블특정한 형상을 이루고 있기 때문에 기하학적 검사 알고리즘의 적용이 불가능하였다.

판정단계(S6)는 검사단계(S5)를 거쳐 분류된 버퍼영역의 상태를 판정한다.

검사단계(S5)의 결과, 정상 상태인 버퍼영역을 갖는 검사대상은 "양품" 으로 분류하여 후속 공정으로 전달되도록 한다.

검사단계(S5)의 결과, 크랙 상태인 버퍼영역을 갖는 검사대상은 "불량품" 으로 분류하여 별도 처리하도록 한다.

검사단계(S5)의 결과, 누설 상태 또는 불완전 상태인 버퍼영역을 갖는 검사대상은 별도의 판정 기준에 따라 분류하여 처리할 수 있다.

검사단계(S5)의 결과, 블리딩 상태인 버퍼영역에서 크랙을 갖는 검사대상은 "불량품" 으로 분류하여 처리하고, 블리딩 상태인 버퍼영역에서 크랙이 없는 검사대상은 별도의 판정 기준에 따라 분류하여 처리할 수 있다.

언로딩단계(S7)는 판정단계(S6)를 거친 다음, 측정위치로부터 검사가 완료된 검사대상을 분리시킨다. 언로딩단계(S7)는 판정단계(S6)의 결과에 따라 검사대상을 선별할 수 있다. 언로딩단계(S7)는 검사가 완료된 검사대상 중 "양품" 은 제1반출용기에 수납하고, 검사가 완료된 검사대상 중 "불량품" 은 제2반출용기에 수납할 수 있다. 검사단계(S5)의 결과, 누설 상태 또는 불완전 상태 또는 크랙이 없는 블리딩 상태인 버퍼영역을 포함하는 검사대상은 별도의 반출용기에 수납할 수 있다.

언로딩단계(S7)는 측정위치의 검사대상을 로봇으로 픽업하는 것으로, 픽업된 검사대상은 해당 반출용기에 수납할 수 있다. 로봇은 후술하는 준비단계(S2)의 동작에 따라 동작 제어를 위한 세팅이 이루어진다.

또한, 본 발명의 일 실시예에 따른 딥러닝을 이용한 웨이퍼 검사방법은 반입단계(S1)와, 준비단계(S2)와, 반출비교단계(S81)와, 반입비교단계(S82) 중 적어도 어느 하나를 더 포함할 수 있다.

반입단계(S1)는 검사대상이 수용된 반입용기가 반입된다.

준비단계(S2)는 반입단계(S1)와 획득단계(S4)와 검사단계(S5)와 언로딩단계(S7)와 후술하는 반출단계(S9)를 실시하기 위한 장치를 세팅한다. 준비단계(S2)는 상술한 로봇, 회전모듈, 카메라, 조명들, 제어모듈 등의 초기 상태를 세팅할 수 있다.

일예로, 카메라의 경우, 준비단계(S2)는 카메라의 실시간 매개변수를 세팅할 수 있다. 또한, 준비단계(S2)는 해당 조명을 "on" 으로 동작시키고, 카메라의 초점을 세팅할 수 있다. 또한, 준비단계(S2)는 메인스위치, 전면스위치, 중간스위치를 "on" 으로 동작시킬 수 있다. 또한, 준비단계(S2)는 카메라 네트워크와 각종 스위치 연결 상태를 점검할 수 있다.

반출비교단계(S81)는 언로딩단계(S7)를 거쳐 반출된 검사대상이 수용되는 반출용기의 반출 여부를 감시한다. 반출비교단계(S81)의 결과, 반출용기에 검사대상이 모두 수용된 경우, 반출용기를 교체하는 반출단계(S9)를 더 포함할 수 있다. 반출비교단계(S81)의 결과, 반출용기에 수용될 검사대상이 남은 경우, 정위치단계(S3)로 복귀하도록 하여 반입용기에 수용된 후속 검사대상을 추가로 검사할 수 있다.

반입비교단계(S82)는 반입용기의 반출 여부를 감시한다. 반입비교단계(S82)의 결과, 반입용기에 수용된 검사대상이 모두 반출된 경우, 반입용기를 반출시키고, 반입단계(S1)로 복귀하여 새로운 반입용기가 투입되도록 하여, 웨이퍼 검사의 자동화를 구현할 수 있다. 반입비교단계(S82)의 결과, 반입용기에 수용된 검사대상이 남아있는 경우, 정위치단계(S3)로 복귀하여 반입용기에 수용된 후속 검사대상을 추가로 검사할 수 있다.

지금부터는 딥러닝분석단계(S10)에 대하여 설명한다.

딥러닝분석단계(S10)는 검사단계(S5)를 거쳐 분류된 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출할 수 있다. 다른 표현으로, 딥러닝분석단계(S10)는 검사영역을 촬영한 입력이미지의 검사 결과, 검사영역에 포함된 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출할 수 있다.

딥러닝분석단계(S10)는 도 9에 도시된 바와 같이 DARM Industrial Optical inspection dataset 을 이용하여 광학 결함 분류 테스트를 진행할 수 있다. 딥러닝분석단계(S10)는 합성곱 신경망 중 VGG-16 네트워크를 사용하여 특정 패턴에 포함된 결함의 종류와 존재 유무를 분류하여 검출할 수 있다.

딥러닝분석단계(S10)는 블리딩 상태에서의 크랙의 종류에 따른 데이터세트를 제작하는 제1제작단계(S11)와, 블리딩 상태에 기초하여 크랙의 종류에 따라 합성곱연산과 풀링연산을 차례로 실시하여 정상이미지와 비정상이미지를 분류하는 심층분석단계(S12)와, 심층분석단계(S12)의 결과 비정상이미지에 대한 좌표값에 대해 라벨링데이터를 제작하는 제2제작단계(S13)를 포함할 수 있다.

제1제작단계(S11)는 입력이미지의 데이터세트를 제작하는 것으로, 제1제작단계(S11)에서 제작된 데이터세트는 업데이트를 위한 훈련세트와, 업데이트 중지를 위한 검증세트와, 합성곱연산과 풀링연산의 성능지표 결정을 위한 평가세트로 구분할 수 있다. 전체 데이터세트 중 훈련세트의 비율을 r1 이라 하고, 검증세트의 비율을 r2 라 하며, 평가세트의 비중을 r3 이라 하면, r1:r2:r3=70:15:15 인 관계식을 만족하도록 하여, 분석 정밀도를 향상시킬 수 있다.

제1제작단계(S11)는 도 9에 도시된 바와 같이 Input 와 같은 데이터세트를 제작할 수 있다.

심층분석단계(S12)는 입력이미지의 데이터세트에 대해 입력이미지보다 작은 픽셀로 이루어진 제1영역으로 입력이미지를 분리하여 제1필터를 제작하는 제1필터링단계(S121)와, 제1영역에 대하여 제1영역보다 작은 커널을 적용하여 합성곱연산을 수행하여 제1특징부를 획득하는 합성곱연산단계(S122)와, 합성곱연산단계(S122)의 결과를 가지고 기설정된 풀링정보에 따라 풀링연산을 수행하여 정상이미지와 비정상이미지 중 어느 하나에 대한 제2특징부를 획득하는 풀링연산단계(S123)와, 제2특징부를 취합하여 1차원으로 배열 가능한 제2필터를 제작하는 제2필터링단계(S124)와, 제1필터링단계(S121)에서 분리되는 제1영역의 크기변화횟수에 대응하여 제1필터링단계(S121)로의 복귀 여부를 선택하는 구성비교단계(S125)를 포함할 수 있다.

제1필터링단계(S121)는 도 9에 도시된 바와 같이 입력이미지의 데이터세트로부터 Convolution1 Filers 와 같은 제1필터를 제작할 수 있다.

합성곱연산단계(S122)는 합성곱연산을 수행함에 따라 도 9에 도시된 바와 같이 Convolution1 Filers 로부터 Convolution1 Feature maps 와 같은 제1특징부를 획득할 수 있다.

풀리연산단계는 풀링연산을 수행함에 따라 도 9에 도시된 바와 같이 Convolution1 Feature maps 로부터 Max pooling Feature maps 와 같은 제2특징부를 획득할 수 있다.

제2필터링단계(S124)는 도 9에 도시된 바와 같이 Max pooling Feature maps 로부터 Convolution2 Filters 와 같이 제2필터를 제작할 수 있다. 제2필터는 도 9에 도시된 바와 같이 1D Flattened feature 와 같은 1차원 배열이 가능하다.

구성비교단계(S125)는 제1영역의 크기변화횟수가 기설정된 기준횟수와 일치하는 경우 제2제작단계(S13)를 실시하고, 제1영역의 크기변화횟수가 기설정된 기준횟수보다 작은 경우 제1필터링단계(S121)로 복귀하여 합성곱연산과단계와 풀링연산단계(S123)를 반복 수행함으로써, 분석 정밀도를 향상시킬 수 있다.

제2제작단계(S13)는 제2필터를 분석하여 비장상이미지에 대한 좌표값을 획득하고, 비정상이미지와 좌표값이 포함된 라벨링데이터를 제작한다. 라벨링데이터는 크랙 이미지 종류에 따른 클래스로 명칭을 정의할 수 있다. 라벨링데이터는 도 9에 도시된 바와 같이 비정상이미지에 대하여 "A이물", "B이물", "C이물", "?이물"과 같은 클래스로 명칭을 정의하고, 좌표값은 (x1, y1, x2, y2) 로 표시할 수 있다. 이러한 좌표값은 각각 좌측 상단의 좌표와 우측 하단의 좌표로 구성된다.

또한, 딥러닝분석단계(S10)는 검출표시단계(S14)와, 변수갱신단계(S15) 중 적어도 어느 하나를 더 포함할 수 있다.

검출표시단계(S14)는 라벨링데이터에 포함된 좌표값을 이용하여 비정상이미지의 위치를 입력이미지에 표시할 수 있다. 검출표시단계(S14)는 도 9에 도시된 바와 같이 크랙의 위치를 표시할 수 있다.

변수갱신단계(S15)는 심층분석단계(S12)에 적용되는 매개변수를 업데이트할 수 있다. 이때, 제1제작단계(S11)에서 제작된 데이터세트는 업데이트를 위한 훈련세트와, 업데이트 중지를 위한 검증세트와, 합성곱연산과 풀링연산의 성능지표 결정을 위한 평가세트로 구분할 수 있다.

좀더 자세하게, 변수갱신단계(S15)는 심층분석단계(S12)에 적용되는 매개변수 초기값을 랜덤으로 구성하는 랜덤선택단계(S151)와, 훈련세트를 입력한 다음 출력되는 클래스별 결과값과 사전 입력이미지의 라벨링데이터로 제1오차값을 획득하는 제1취득단계(S152)와, 제1오차값의 최소화를 위한 역전파 알고리즘을 사용하여 매개변수를 업데이트하여 갱신데이터를 제공하는 업데이트단계(S153)와, 업데이트단계(S153)에서 제공하는 갱신데이터와 검증세트로 제2오차값을 획득하는 제2취득단계(S154)와, 제2오차값과 기설정된 기준한계값을 비교하는 한계비교단계(S155)를 포함할 수 있다.

이때, 한계비교단계(S155)는 제2오차값이 기설정된 기준한계값과 같거나 작은 경우, 후속 공정을 실시하고, 제2오차값이 기설정된 기준한계값보다 큰 경우, 업데이트단계(S153)로 복귀하도록 하여 검층세트로 업데이트의 중지 기준을 결정할 수 있다.

또한, 딥러닝분석단계(S10)는 업데이트된 훈련세트와 평가세트를 비교하여 성능지표를 결정하는 평가단계(S16)를 더 포함할 수 있다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 웨이퍼 검사장치는 본 발명의 일 실시예에 따른 웨이퍼 검사방법을 구현하기 위한 검사장치이다.

본 발명의 일 실시예에 따른 웨이퍼 검사장치는 검사대상의 고속 회전을 구현하는 회전모듈과, 검사대상으로부터 입력이미지를 획득하는 카메라와, 입력이미지를 분석하여 검사대상의 검사영역에서 크랙의 유무를 검출하는 제어모듈을 포함하고, 변위센서와 경사조명(미도시)과 얼라이너 중 적어도 어느 하나를 더 포함할 수 있다.

회전모듈은 검사대상이 안착되는 회전판과, 회전판을 고속으로 회전시키는 회전구동부를 포함할 수 있다. 회전구동부는 제어모듈의 제어에 따라 동작될 수 있다. 회전모듈은 본 발명의 일 실시예에 따른 웨이퍼 검사방법의 설명에 포함되는 것으로, 이에 대한 부가 설명은 생략하기로 한다.

카메라는 영상바디와, 영상바디에 구비되어 검사영역과 마주보도록 배치되는 대물렌즈와, 영상바디에 구비되어 대물렌즈가 바라보는 검사영역을 입력이미지로 변환시키는 입력부와, 영상바디에 구비되어 검사영역에 빛을 조사하는 동축조명을 포함할 수 있다. 동축조명은 대물렌즈의 시선 방향과 동축으로 빛을 조사하게 되므로, 검사영역에 빛을 수직으로 조사할 수 있다. 동축조명은 확산성을 갖는 축상 조명을 포함하고, 영상바디의 측면에 결합되는 것으로 도시하였다. 카메라는 본 발명의 일 실시예에 따른 웨이퍼 검사방법의 설명에 포함되는 것으로, 이에 대한 부가 설명은 생략하기로 한다.

제어모듈은 회전모듈과 카메라의 동작을 제어할 수 있다. 또한, 제어모듈은 본 발명의 일 실시예에 따른 웨이퍼 검사방법을 구체적으로 구현하기 위한 것이다. 제어모듈은 본 발명의 일 실시예에 따른 웨이퍼 검사방법에 포함되고, 이에 대한 부가 설명은 생략하기로 한다.

변위센서는 입력이미지를 취득함에 있어서 웨이퍼 표면의 Z축을 감시한다. 변위센서가 획득한 정보에 따라 웨이퍼 표면의 Z 축을 추종하여 입력이미지에 대한 영상을 정밀하게 획득할 수 있다.

경사조명(미도시)은 경사각을 이용하여 검사영역에 경사지게 빛을 조사하는 것으로, 입력이미지에 대한 영상을 안정되게 획득할 수 있다.

얼라이너는 회전모듈의 회전판과 검사대상의 수평을 조절하는 것으로, 공지된 다양한 형태를 통해 수평 조절을 원활하게 하고, 검사대상의 회전을 안정화시키며, 입력이미지를 명확하게 할 수 있다.

상술한 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치에 따르면, 패키징 공정을 진행한 다음, 이엠씨층이 도포된 웨이퍼의 검사영역에 포함된 버퍼영역에서 크랙을 검출할 수 있다. 특히, 검사영역에 포함된 버퍼영역이 블리딩 상태일 때, 검사단계(S5)에서 영상처리된 처리이미지에서 크랙의 그래이레벨과 블리딩의 그래이레벨이 유사하여 크랙과 블리딩의 구분이 모호하지만, 본 발명과 같은 딥러닝을 이용함에 따라 버퍼영역에서 크랙과 블리딩의 구분을 명확하게 하고, 블리딩 상태인 버퍼영역에서 크랙을 간편하게 검출할 수 있다.

또한, 심층분석단계(S12)의 세부 구성을 통해 딥러닝의 동작을 명확하게 하고, 추출되는 라벨링데이터를 명확하게 할 수 있다.

또한, 검출표시단계(S14)의 부가 구성을 통해 블리딩 상태인 버퍼영역에서의 크랙 위치를 간편하게 확인하고, 웨이퍼의 불량 여부를 명확하게 할 수 있다.

또한, 변수갱신단계(S15)의 부가 구성을 통해 웨이퍼 검사를 반복함에 따라 딥러닝 정확도를 향상시키고, 웨이퍼의 불량 여부를 명확하게 판정할 수 있다.

또한, 변수갱신단계(S15)의 세부 구성을 통해 심층분석단계(S12)에 적용되는 매개변수를 명확하게 하고, 업데이트된 갱신데이터를 이용하여 블리딩 상태인 버퍼영역에서 크랙의 검출율을 향상시킬 수 있다.

또한, 데이터세트에 대한 비율 한정을 통해 변수갱신단계(S15)의 동작을 명확하게 하고, 업데이트되는 데이터세트의 성능지표를 향상시킬 수 있다.

또한, 평가단계의 부가 구성을 통해 데이터세트의 성능지표를 감시하고, 데이터세트의 성능지표가 저하되는 것을 방지할 수 있다.

또한, 웨이퍼의 검사영역에 포함된 버퍼영역을 전수 검사하여 크랙의 검출은 물론 이엠씨층의 성립 상태를 간편하게 검출할 수 있다.

또한, 패키징 공정을 진행한 다음, 웨이퍼의 파손 여부, 이엠씨층의 성립 상태를 체크하여 생산 공정에서의 수율을 향상시킬 수 있다.

또한, 반입단계(S1)의 부가 구성을 통해 검사대상의 반입을 자동화할 수 있다.

또한, 준비단계(S2)의 부가 구성을 통해 장치의 동작을 명확하게 할 수 있다.

또한, 반출비교단계(S81)의 부가 구성을 통해 검사가 완료된 검사대상의 이동 및 후속 공정과의 연계를 원활하게 할 수 있다.

또한, 반입비교단계(S82)의 부가 구성을 통해 반입단계(S1)와 연계하여 검사대상의 반입을 자동화할 수 있다.

또한, 반출단계(S9)의 부가 구성을 통해 반출비교단계(S81)와 연계하여 검사가 완료된 검사대상의 이동 및 후속 공정과의 연계를 원활하게 할 수 있다.

상술한 바와 같이 도면을 참조하여 본 발명의 바람직한 실시예를 설명하였지만, 해당 기술분야의 숙련된 당업자라면, 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 또는 변경시킬 수 있다.

S1: 반입단계 S2: 준비단계 S3: 정위치단계
S4: 획득단계 S5: 검사단계 S6: 판정단계
S7: 언로딩단계 S81: 반출비교단계 S82: 반입비교단계
S9: 반출단계 S10: 딥러닝분석단계 S11: 제1제작단계
S12: 심층분석단계 S121: 제1필터링단계 S122: 합성곱연산단계
S123: 풀링연산단계 S124: 제2필터링단계 S125: 구성비교단계
S13: 제2제작단계 S14: 검출표시단계 S15: 변수갱신단계
S151: 랜덤선택단계 S152: 제1취득단계 S153: 업데이트단계
S154: 제2취득단계 S155: 한계비교단계 S16: 평가단계

Claims (11)

1. 검사영역을 촬영한 입력이미지의 검사 결과, 상기 검사영역에 포함된 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 상기 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출하는 딥러닝을 이용한 웨이퍼 검사방법이고,
   상기 블리딩 상태에서의 크랙의 종류에 따른 데이터세트를 제작하는 제1제작단계;
   상기 블리딩 상태에 기초하여 크랙의 종류에 따라 합성곱연산과 풀링연산을 차례로 실시하여 정상이미지와 비정상이미지를 분류하는 심층분석단계; 및
   상기 심층분석단계의 결과, 상기 비정상이미지에 대한 좌표값에 대해 라벨링데이터를 제작하는 제2제작단계;를 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
2. 제1항에 있어서,
   상기 심층분석단계는,
   상기 입력이미지의 데이터세트에 대해 입력이미지보다 작은 픽셀로 이루어진 제1영역으로 상기 입력이미지를 분리하여 제1필터를 제작하는 제1필터링단계;
   상기 제1영역에 대하여 상기 제1영역보다 작은 커널을 적용하여 합성곱연산을 수행하여 제1특징부를 획득하는 합성곱연산단계;
   상기 합성곱연산단계의 결과를 가지고 기설정된 풀링정보에 따라 풀링연산을 수행하여 상기 정상이미지와 상기 비정상이미지 중 어느 하나에 대한 제2특징부를 획득하는 풀링연산단계;
   상기 제2특징부를 취합하여 1차원으로 배열 가능한 제2필터를 제작하는 제2필터링단계; 및
   상기 제1필터링단계에서 분리되는 제1영역의 크기변화횟수에 대응하여 상기 제1필터링단계로의 복귀 여부를 선택하는 구성비교단계;를 포함하되,
   상기 구성비교단계는,
   상기 제1영역의 크기변화횟수가 기설정된 기준횟수와 일치하는 경우, 상기 제2제작단계를 실시하고,
   상기 제1영역의 크기변화횟수가 기설정된 기준횟수보다 작은 경우, 상기 제1필터링단계로 복귀하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
3. 제1항에 있어서,
   상기 라벨링데이터에 포함된 좌표값을 이용하여 상기 비정상이미지의 위치를 상기 입력이미지에 표시하는 검출표시단계; 및
   상기 제1제작단계에서 제작된 데이터세트는 업데이트를 위한 훈련세트와, 업데이트 중지를 위한 검증세트와, 상기 합성곱연산과 상기 풀링연산의 성능지표 결정을 위한 평가세트로 구분하되, 상기 심층분석단계에 적용되는 매개변수를 업데이트하는 변수갱신단계; 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
4. 제3항에 있어서,
   상기 변수갱신단계는,
   상기 심층분석단계에 적용되는 매개변수 초기값을 랜덤으로 구성하는 랜덤선택단계;
   상기 훈련세트를 입력한 다음 출력되는 클래스별 결과값과 사전 입력이미지의 라벨링데이터로 제1오차값을 획득하는 제1취득단계;
   상기 제1오차값의 최소화를 위한 역전파 알고리즘을 사용하여 상기 매개변수를 업데이트하여 갱신데이터를 제공하는 업데이트단계;
   상기 업데이트단계에서 제공하는 갱신데이터와 상기 검증세트로 제2오차값을 획득하는 제2취득단계; 및
   상기 제2오차값과 기설정된 기준한계값을 비교하는 한계비교단계;를 포함하되,
   상기 한계비교단계는,
   상기 제2오차값이 기설정된 기준한계값과 같거나 작은 경우, 후속 공정을 실시하고,
   상기 제2오차값이 기설정된 기준한계값보다 큰 경우, 상기 업데이트단계로 복귀하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
5. 제3항에 있어서,
   전체 데이터세트 중 상기 훈련세트의 비율을 r1 이라 하고, 상기 검증세트의 비율을 r2 라 하며, 상기 평가세트의 비율을 r3 이라 하면,
   r1:r2:r3=70:15:15 인 관계식을 만족하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
6. 제3항에 있어서,
   업데이트된 상기 훈련세트와 상기 평가세트를 비교하여 상기 성능지표를 결정하는 평가단계;를 더 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
7. 반입용기에 수용된 검사대상을 측정위치에 정위치시키는 정위치단계;
   상기 검사대상을 회전시키고, 상기 검사대상의 검사영역을 촬영하여 입력이미지를 획득하는 획득단계;
   상기 입력이미지를 관심영역에서 이진 영상처리하여 처리이미지를 획득하고, 상기 처리이미지의 그래이레벨과 기설정된 한계레벨을 비교하여 상기 검사영역에 포함된 버퍼영역의 상태를 분류하는 검사단계;
   상기 검사단계를 거쳐 분류된 상기 버퍼영역의 상태를 판정하는 판정단계; 및
   상기 판정단계를 거친 다음, 상기 측정위치로부터 검사가 완료된 검사대상을 분리시키는 언로딩단계;를 포함하고,
   상기 검사단계를 거쳐 분류된 상기 버퍼영역의 상태가 블리딩 상태인 경우, 해당 검사영역에 대해 딥러닝을 이용하여 상기 블리딩 상태인 버퍼영역에서 크랙의 유무를 검출하는 딥러닝분석단계;를 더 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
8. 제7항에 있어서,
   상기 딥러닝분석단계는,
   청구항 제1항 내지 제6항 중 어느 한 항에 기재된 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
9. 제7항에 있어서,
   상기 검사대상이 수용된 반입용기가 반입되는 반입단계;
   상기 획득단계와 상기 검사단계를 실시하기 위한 장치를 세팅하는 준비단계;
   상기 언로딩단계를 거쳐 반출된 검사대상이 수용되는 반출용기의 반출 여부를 감시하는 반출비교단계; 및
   상기 반입용기의 반출 여부를 감시하는 반입비교단계;
   중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
   
10. 제9항에 있어서,
    상기 반출비교단계의 결과, 상기 반출용기에 검사대상이 모두 수용된 경우, 상기 반출용기를 교체하는 반출단계;를 더 포함하는 것을 특징으로 하는 딥러닝을 이용한 웨이퍼 검사방법.
    
11. 검사대상의 고속 회전을 구현하는 회전모듈;
    상기 검사대상으로부터 입력이미지를 획득하는 카메라; 및
    상기 입력이미지를 분석하여 상기 검사대상의 검사영역에서 크랙의 유무를 검출하는 제어모듈;을 포함하고,
    상기 제어모듈은,
    청구항 제1항 내지 제7항, 제9항 및 제10항중 어느 한 항에 기재된 웨이퍼 검사방법을 구현하는 것을 특징으로 하는 웨이퍼 검사장치.