KR102643090B1 - 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법 - Google Patents

인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법 Download PDF

Info

Publication number
KR102643090B1
KR102643090B1 KR1020210144754A KR20210144754A KR102643090B1 KR 102643090 B1 KR102643090 B1 KR 102643090B1 KR 1020210144754 A KR1020210144754 A KR 1020210144754A KR 20210144754 A KR20210144754 A KR 20210144754A KR 102643090 B1 KR102643090 B1 KR 102643090B1
Authority
KR
South Korea
Prior art keywords
defect
repair
artificial intelligence
display panel
inkjet
Prior art date
Application number
KR1020210144754A
Other languages
English (en)
Other versions
KR20230060250A (ko
Inventor
박재웅
박훈
김선주
김보겸
이종건
임성진
최준혁
서승환
Original Assignee
주식회사 코윈디에스티
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 코윈디에스티 filed Critical 주식회사 코윈디에스티
Priority to KR1020210144754A priority Critical patent/KR102643090B1/ko
Publication of KR20230060250A publication Critical patent/KR20230060250A/ko
Application granted granted Critical
Publication of KR102643090B1 publication Critical patent/KR102643090B1/ko

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/1306—Details
    • G02F1/1309—Repairing; Testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K71/00—Manufacture or treatment specially adapted for the organic devices covered by this subclass
    • H10K71/70—Testing, e.g. accelerated lifetime tests
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K71/00—Manufacture or treatment specially adapted for the organic devices covered by this subclass
    • H10K71/861—Repairing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Nonlinear Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Optics & Photonics (AREA)
  • Devices For Indicating Variable Information By Combining Individual Elements (AREA)

Abstract

결함의 존부를 검사하기 위한 디스플레이 패널을 제공하는 제1단계; 상기 패널의 상면을 촬영하여, 입력이미지를 생성하는 제2단계; 상기 입력이미지를 이용하여, 인공지능(AI) 기반의 리페어용 학습모델을 구축하는 제3단계; 결함이 존재하면, 상기 결함에 대한 정보를 분석하여 상기 결함을 판정하는 제4단계; 상기 결함이 리페어 가능하다고 판정되면, 상기 결함에 대응하는 리페어용 레시피를 적용하여 상기 패널을 수리하는 제5단계;를 포함하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법을 제공한다.

Description

인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법{INK-JET TYPE AUTOMATIC DEFECT REPAIR METHOD FOR DISPLAY PANEL USING ARTIFICIAL INTELLIGENCE}
본 발명은 디스플레이 패널에 대한 결함 수리 방법에 관한 것으로서, 특히 인공지능 기반 알고리즘을 이용하여 결함을 자동으로 수정하는 잉크젯 방식의 자동 결함 수정 방법에 관한 것이다.
디스플레이 패널에 대한 검사 공정에서 검출되는 결함은 리페어(repair) 공정을 통해 수리된다. 이를 위해, 오퍼레이터는 검사 공정에서 검출한 결함을 수동으로 분류하고, 결함에 적합한 수리 방법을 결정하여 수리를 진행한다. 그러나, 이런 방법은 오퍼레이터의 숙련도 등에 따라 수리의 정확도가 달라지고, 비용과 생산성 측면에서 비효율적이라는 문제점이 있었다.
또한, 수동 검사의 문제점을 보완하기 위해 자동 광학 검사 등 머신 비전 검사 시스템이 도입되었다. 그러나, 이는 공정의 특성에 맞춰 엔지니어가 규칙을 얼마자 잘 만들었는지 여부에 따라 그 성능이 좌우되는 한계가 있었다. 또한, 결함의 형태가 다소 복잡한 경우 검출 정확도가 떨어지는 문제점도 있었다.
또한, 디스플레이 패널 중 특히 OLED, μ-LED 등은 잉크젯 방식의 리페어를 적용하기 쉽지 않다는 문제점이 있었다. 특히, 잉크젯 노즐의 위치 틀어짐 등 문제로 잉크의 선폭 구현에 애로가 있었다.
대한민국 등록특허 제10-2043664호 (2019. 11. 06. 등록) 기판 내 결함을 검출하고 리페어하는 오토 리페어 시스템 및 방법 대한민국 등록특허 제10-1681947호 (2016. 11. 28. 등록) ＴＦＴ기판의 결점 분류 방법 및 장치
본 발명의 실시예는 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 인공지능 기반의 잉크젯 방식을 갖는 디스플레이 패널의 자동 결함 수리 방법을 제공하고자 한다.
또한, 결함의 형태를 자동으로 분석하여 이에 적합한 리페어용 레시피를 선정한 후 자동으로 수리하는 것을 목적으로 한다.
또한, 인공지능 기반으로 잉크젯 노즐의 위치에 대한 오차를 보정하고자 한다. 또한, 다양한 결함에 대해 이를 효과적으로 수리할 수 있는 일련의 프로세스를 제공하고자 한다.
본 발명의 실시예는 상기와 같은 과제를 해결하고자, 결함의 존부를 검사하기 위한 디스플레이 패널을 제공하는 제1단계; 상기 패널의 상면을 촬영하여, 입력이미지를 생성하는 제2단계; 상기 입력이미지를 이용하여, 인공지능(AI) 기반의 리페어용 학습모델을 구축하는 제3단계; 결함이 존재하면, 상기 결함에 대한 정보를 분석하여 상기 결함을 판정하는 제4단계; 상기 결함이 리페어 가능하다고 판정되면, 상기 결함에 대응하는 리페어용 레시피를 적용하여 상기 패널을 수리하는 제5단계;를 포함하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법을 제공한다.
상기 제2단계와 상기 제3단계 사이에,
상기 패널에서 검출되는 결함의 제1특징군을 그룹핑하여, 상기 제1특징군을 분석하는 규칙(rule) 기반의 리페어용 추론모듈을 구축하는 단계;를 더 포함할 수 있다.
상기 제4단계는, 상기 리페어용 학습모델 및 상기 리페어용 추론모듈에서 획득되는 각각의 분석 데이터를 이용하여 최종적인 결함의 형태를 판정하는 것이 바람직하다.
상기 리페어용 학습모델은 결함에서 검출한 1) 결함이 존재하는 레이어의 위치, 2) 결함의 종류, 3) 결함이 존재하는 영역을 포함하는 제2특징군을 학습 데이터로 하는 것이 바람직하다.
상기 제2단계에서, 상기 입력이미지를 적어도 하나 이상의 미리 설정된 크기의 단위영역이미지로 분할하는 것이 바람직하다.
상기 제4단계는 상기 단위영역이미지와 레퍼런스이미지의 각 패턴을 비교하여 상기 결함에 대한 정보를 검출하는 것이 바람직하다.
상기 제4단계는, 상기 결함을 검출하면, 데이터서버부에 상기 결함을 전송하는 제4-1단계; 상기 결함을 수리가능판정, 수리불가능판정 및 모름판정 중 어느 하나로 판정하는 제4-2단계;를 포함하는 것이 바람직하다.
상기 학습모델은 상기 결함에 대한 제2특징군을 학습하면, 상기 리페어용 레시피를 업데이트하는 것이 바람직하다.
상기 제5단계는, 상기 리페어용 레시피에 대응하여, 리페어용 잉크를 분사하는 잉크젯노즐의 선단을 자동으로 이동시키는 것이 바람직하다.
이상에서 살펴본 바와 같은 본 발명의 과제해결 수단에 의하면 다음과 같은 사항을 포함하는 다양한 효과를 기대할 수 있다. 다만, 본 발명이 하기와 같은 효과를 모두 발휘해야 성립되는 것은 아니다.
본 발명의 일 실시예는 인공지능 기반의 잉크젯 방식을 갖는 디스플레이 패널의 자동 결함 수리 방법을 제공할 수 있다.
또한, 본 실시예는 결함의 형태를 자동으로 분석하여 이에 적합한 리페어용 레시피를 선정한 후 자동으로 수리할 수 있다.
또한, 본 실시예는 인공지능 기반으로 잉크젯 노즐의 위치에 대한 오차를 보정할 수 있다. 또한, 본 실시예는 다양한 결함에 대해 이를 효과적으로 수리할 수 있는 일련의 프로세스를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 디스플레이 패널에 대한 자동 결함 수리 방법을 도시한 흐름도.
도 2a는 도 1의 입력이미지 및 단위영역이미지를 설명하는 도면이고, 도 2b는 단위영역이미지(단위 픽셀)에 형성되는 복수 개의 구역 및 결함을 보여주는 도면.
도 1의 일 실시예와 관련하여, 도 3a는 결함이 존재하는 영역을 추출하는 예시 도면이고, 도 3b는 결함이 존재하는 레이어의 위치를 보여주는 예시 도면이며, 도 3c는 결함의 종류를 보여주는 예시 도면.
도 4는 도 1의 단위영역이미지에 발생한 결함에 대해 리페어용 레시피를 선정하는 과정을 보여주는 흐름도.
도 5a는 도 1의 잉크젯노즐의 선단 X축, Y축 위치를 정위치로 보정하기 위한 도면.
도 5b는 도 1의 잉크젯노즐의 선단 Z축 위치를 정위치로 보정하기 위한 과정을 보여주는 도면.
본 개시의 구성 및 효과를 충분히 이해하기 위하여, 첨부한 도면을 참조하여 본 개시의 바람직한 실시예들을 설명한다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 여러 가지 형태로 구현될 수 있고 다양한 변경을 가할 수 있다. 이하, 본 발명을 설명함에 있어서 관련된 공지 기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시의 실시예들에서 사용되는 용어들은 다르게 정의되지 않는 한, 해당 기술 분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다.
이하, 도면을 참조하여 본 발명의 구체적인 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 디스플레이 패널에 대한 자동 결함 수리 방법을 도시한 흐름도이며, 도 2a는 도 1의 입력이미지 및 단위영역이미지를 설명하는 도면이고, 도 2b는 단위영역이미지(단위 픽셀)에 형성되는 복수 개의 구역 및 결함을 보여주는 도면이다. 또한, 도 1의 일 실시예와 관련하여, 도 3a는 결함이 존재하는 영역을 추출하는 예시 도면이고, 도 3b는 결함이 존재하는 레이어의 위치를 보여주는 예시 도면이며, 도 3c는 결함의 종류를 보여주는 예시 도면이다. 도 4는 도 1의 단위영역이미지에 발생한 결함에 대해 리페어용 레시피를 선정하는 과정을 보여주는 흐름도이다.
도 1 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법은 제1단계 내지 제5단계를 포함할 수 있다. 본 실시예는 인공지능을 이용하여 디스플레이 패널에 발생되는 결함을 검출하고 이를 분류할 수 있다. 또한, 본 실시예는 결함에 대응하는 리페어용 레시피를 제공하여 결함을 자동으로 수리할 수 있다. 한편, 인공지능 기술은 이미 공지된 인공지능 관련 머신러닝 알고리즘을 통해 구현 가능한 바, 이하 구체적 설명은 생략한다.
먼저, 제1단계는 결함의 존부를 검사하기 위한 디스플레이 패널을 제공하는 단계이다.(s10) 본 실시예는 디스플레이 패널에 대한 결함 수리에 있어, 인공지능(AI)을 접목시키는 것을 특징으로 한다. 여기서, 디스플레이 패널은 LCD, OLED, Mini-LED, μ-LED 등 전극 배선을 포함하는 모든 패널일 수 있다. 한편, 패널은 복수 개의 단위 픽셀을 포함한다. 그리고, 각 단위 픽셀은 다수의 레이어(Layer)로 구성될 수 있다. 레이어는 예를 들어, 액티브(ACT) 레이어, 게이트 레이어, 소스 및 드레인(SD) 레이어 등 일 수 있다.
한편, 단위 픽셀에는 복수 개의 패턴에 따른 서로 다른 구역(zone)이 형성될 수 있다. 단위 픽셀에는 예를 들어, 제1구역(구역①) 내지 제4구역(구역④)이 미리 설정될 수 있다. 이 때, 제1구역은 예를 들어, 게이트라인이 형성되는 구역일 수 있다.
결함은 단위 픽셀 중 적어도 하나 이상의 구역에 발생될 수 있다. 결함은 복수 개의 구역이 교차하는 영역에 발생될 수도 있다. 이런 결함은 예를 들어, 1) 금속층 라인 중 일부에 금속층이 형성되지 않아 발생하는 오픈 결함, 2) 금속층 라인 사이에 금속층이 연결되어 발생하는 쇼트 결함, 3) 금속층 상에 파티클이 안착되면서 발생하는 파티클 결함 등을 포함할 수 있다. 한편, 파티클은 입체적 형상으로 존재하지만, 단위 픽셀에서 검출되는 파티클은 그 평면 상의 면적이 측정되어, 평면적의 크기로 정의될 수 있다.
또한, 결함은 어느 특정 레이어 상에 형성될 수 있다. 예를 들어, 어느 하나의 단위 픽셀 중 액티브 레이어 상에 파티클이 안착되면서 결함이 발생할 수 있다.
다음으로, 제2단계는 패널의 상면을 촬영하여, 입력이미지를 생성하는 단계이다.(s20) 이를 위해, 패널은 미리 지정된 어느 일 위치(정위치)로 이송될 수 있다. 그러면, 카메라모듈은 패널을 미리 설정된 시간 동안 촬영하여 영상을 획득한다. 이 때, 영상은 원본 대비 일정 배율 확대된 크기로 형성될 수 있다. 그러면, 이미지생성부는 영상에서 패널을 자동으로 검출하고, 패널 영역에 대한 입력이미지를 자동 생성할 수 있다. 입력이미지는 영상에서 특정 시각, 특정 프레임을 기준으로 추출한 것일 수 있다.
또한, 제2단계에서 입력이미지를 적어도 하나 이상의 미리 설정된 크기의 단위영역이미지로 분할하는 것이 바람직하다. 단위영역인식부(100)는 입력이미지를 각 단위영역이미지로 인식한다. 여기서, 단위영역이미지는 단위 픽셀에 대한 이미지를 의미한다. 이는 결함이 어느 단위 픽셀에 존재하는지 특정할 수 있도록 한다.
한편, 단위영역인식부(100)는 단위영역이미지 내에 존재하는 각 레이어를 인식할 수 있다. 이 때, 레이어는 예를 들어, 색상을 달리하는 방법으로 서로 구별될 수 있다. 이는, 결함이 어느 레이어에 존재하는지 검출하도록 하여, 그 위치를 보다 구체적으로 특정할 수 있도록 한다.
또한, 어느 일 패널에 대한 결함을 분석하는 과정에서 입력이미지, 단위영역이미지는 메모리부에 저장된다. 또한, 결함 판정을 위해 기준이 되는 무결함 레퍼런스이미지 역시 메모리부에 미리 저장되어 있다.
그 다음, 제3단계는 입력이미지를 이용하여, 인공지능(AI) 기반의 리페어용 학습모델(210)을 구축하는 단계이다.(s30) 인공지능에 기반한 결함의 검출, 분류 및 리페어용 레시피의 선정 등을 위해서는 먼저 학습 데이터를 이용한 리페어용 학습모델(210)을 구축하는 과정이 필요하다. 리페어용 학습모델(210)은 통상적인 딥러닝 기술을 사용할 수 있다. 딥러닝은 히든(Hidden) 계층이 2 내지 3개 이상 구성된 네트워크를 말하며, 실제 인간의 뇌를 모방하여 뉴런 간의 연결이 매우 깊은 구조로 이루어진 인공지능 기술이다.
학습 데이터는 과거부터 축적되는 입력이미지의 데이터 집합일 수 있다. 판정 대상이었던 입력이미지는 결함에 대한 판정 이후 학습 데이터로 편입되게 된다. 학습 데이터는 입력이미지의 추가로 인해 계속적으로 증가하게 된다. 그리고, 리페어용 학습모델(210)은 실시간 학습을 통해 지속적으로 업데이트될 수 있다. 그 결과, 일 실시예에 따른 학습모델은 결함에 대한 제2특징군을 학습하면, 리페어용 레시피를 업데이트할 수 있다.
리페어용 학습모델(210)은 결함에서 검출한 1) 결함이 존재하는 레이어의 위치, 2) 결함의 종류, 3) 결함이 존재하는 영역을 포함하는 제2특징군을 학습 데이터로 할 수 있다. 본 실시예는 결함의 특징 중 특히, 제2특징군을 리페어용 학습모델(210)을 통해 판단한다. 여기서, 결함이 존재하는 영역은 결함 크기의 최대크기, 평균크기로 표시될 수 있다. 결함의 존재하는 영역은 결함 크기의 표준편차로 표시될 수 있다. 또한, 제2특징군에는 결함이 존재하는 레이어의 재질을 더 포함할 수 있다.
한편, 본 실시예는 제2단계와 제3단계 사이에, 패널에서 검출되는 결함의 제1특징군을 그룹핑하여, 제1특징군을 분석하는 규칙(rule) 기반의 리페어용 추론모듈(220)을 구축하는 단계를 더 포함할 수 있다. 여기서, 제1특징군은 결함의 밝기, 결함의 두께 등을 포함할 수 있다. 결함의 밝기는 최소밝기, 최대밝기, 평균밝기로 표시될 수 있다. 또한, 결함의 밝기는 밝기의 표준편차로 표시될 수 있다. 이를 위해, 결함의 형태에 따른 결함의 밝기, 결함의 두께에 대한 정보가 미리 설정될 수 있다. 한편, 단위영역인식부(100)는 단위영역이미지에서 결함의 밝기, 결함의 두께 등을 추론할 수 있다.
본 실시예에서, 리페어용 추론모듈(220)은 결함의 밝기 정보를 거리 단위로 변환시킨 거리변환 정보를 일 요소로 이용하여 결함의 형태를 판단할 수 있다. 리페어용 추론모듈(220)은 예를 들어, 거리변환 정보를 구성하는 거리변환 수치가 낮을수록 결함을 깊고 얇은 결함으로 분류할 수 있다.
그 다음, 제4단계는 결함이 존재하면, 결함에 대한 정보를 분석하여 결함을 판정하는 단계이다.(s40) 본 실시예에서, 제4단계는 리페어용 학습모델(210) 및 리페어용 추론모듈(220)에서 획득되는 각각의 분석 데이터를 이용하여 최종적인 결함의 형태를 판단할 수 있다. 즉, 일 실시에에 따른 결함은 제1특징군과 제2특징군에 포함되는 통합 정보에 의해 최종적으로 분류되는 것을 특징으로 한다. 최종적인 판단 과정에서 리페어용 학습모델(210)과 리페어용 추론모듈(220)에 대한 각 적용 가중치는 미리 설정될 수 있다.
이를 위해, 제4단계에서, 단위영역이미지와 레퍼런스이미지의 각 패턴을 비교하여 결함에 대한 정보를 검출한다. 이를 위해, 각 이미지는 미리 전처리 과정을 거칠 수 있다. 단위영역이미지에는 복수 개의 패턴에 따른 구역이 각각 설정될 수 있다. 예를 들어, 게이트라인, 데이터라인 등이 위치하는 각 영역을 패턴으로 설정할 수 있다. 이를 통해, 본 실시예는 각 패턴에 존재하는 결함의 형태에 따라 이에 적합한 리페어용 레시피를 제공할 수 있다.
결함판정부(200)는 먼저 단위영역이미지와 레퍼런스이미지를 서로 대응되는 패턴 별로 비교하여 결함의 존부를 검출한다. 동시에, 결함판정부(200)는 리페어용 학습모델(210)과 리페어용 추론모델을 통해 결함의 형태를 판정할 수 있다. 이에 반해, 리페어용 학습모델(210)은 결함의 위치를 판단할 수 있다. 보다 구체적으로, 리페어용 학습모델(210)은 결함의 어느 단위영역이미지에 존재하는지, 어느 구역에 존재하는지, 어느 레이어에 존재하는지 등을 판단할 수 있다.
또한, 제4단계는 결함을 검출하면, 데이터서버부에 결함을 전송하는 제4-1단계 및 결함을 1) 수리가능판정, 2) 수리불가능판정 및 3) 모름판정 중 어느 하나로 판정하는 제4-2단계를 포함할 수 있다. 결함판정부(200)는 결함의 형태를 수리가능판정, 수리불가능판정 및 모름판정 중 하나로 판정할 수 있다.
제5단계는 결함이 리페어 가능하다고 판정되면, 결함에 대응하는 리페어용 레시피를 적용하여 패널을 수리하는 단계이다.(s50) 리페어용 레시피는 적어도 리페어용 레이저 빔의 강도, 리페어용 레이저 빔의 조사 위치, 리페어용 레이저 빔의 조사 시간 및 리페어용 잉크젯의 분사량에 대한 각 설정값을 포함할 수 있다. 리페어용 레시피는 결함의 형태에 따라 달라질 수 있다. 즉, 리페어용 레시피는 패턴 별로, 결함의 유형, 결함의 위치 등에 따라 달라질 수 있다. 리페어용 레이저 빔은 레이저유닛을 통해 조사될 수 있다. 일 실시예에 따른 레이저유닛은 유기적으로 결합되는 복수 개의 구성요소에 의해 작동된다. 한편, 일 실시예에 따른 레이저유닛은 공지의 기술을 조합하여 형성할 수 있는 바, 이하 구체적 설명은 생략한다
결함을 수리가능판정으로 판정하면, 리페이용 추론모듈은 결함을 포함하는 가공영역에 대한 경계선을 설정한다. 결함은 단위영역이미지 중 어느 일 구역(패턴)에 존재할 수 있다. 이와 달리, 결함은 복수 개의 구역에 걸쳐 존재할 수 있다. 이 때, 마스크를 사용하여 결함 및 결함이 존재하는 부근이 노출되도록 한다.
이와 달리, 본 실시예는 결함을 모름판정으로 판정하는 경우, 결함을 데이터서버부로 전송하는 제4-3단계를 더 포함할 수 있다. 이는 결함을 재분류하기 위함이다. 모름판정으로 1차 판정되는 결함의 경우, 치명적 결함과 비치명적 결함 중 어느 하나로 재판정될 수 있다. 그리고, 치명적 결함인 경우, 그 신뢰성 정도에 대한 수치가 추가적으로 산출될 수 있다.
한편, 모름판정의 결함인 경우, 신뢰성 정도가 지나치게 낮을 때, 오퍼레이터에 의한 판정이 개입될 수 있다. 즉, 오퍼레이터에 의해 입력되는 데이터로 결함에 대한 정보가 특정될 수 있다. 이 때, 제2특징군 관련 정보는 리페이용 학습모듈의 학습 데이터로 갱신될 수 있다.
또한, 제5단계는, 리페어용 레시피에 대응하여, 리페어용 잉크를 분사하는 잉크젯노즐(300)의 선단을 자동으로 이동시키는 것을 특징으로 한다. 도 5a는 도 1의 잉크젯노즐(300)의 선단 X축, Y축 위치를 정위치로 보정하기 위한 도면이고, 도 5b는 도 1의 잉크젯노즐의 선단 Z축 위치를 정위치로 보정하기 위한 과정을 보여주는 도면이다.
도 5a 및 5b를 참고하면, 여기서, 잉크젯노즐(300)의 선단 위치는 모터(스텝모터, 리니어모터 등)에 의해 정밀하게 조절될 수 있다. 잉크젯노즐(300)의 선단은 X축, Y축 및 Z축 방향으로 조절될 수 있다. 한편, 잉크젯노즐(300)의 선단 위치를 촬영하는 카메라유닛 역시 별도 모터에 의해 정밀하게 조절될 수 있다. 다만, 모터 자체의 오차, 리페어 이후 잉크젯노즐(300)의 선단 위치가 달라지는 등의 이유로 어느 일 결함에 대한 자동 수리가 종료되면, 바로 다음 리페어 과정에서 잉크젯노즐(300)의 선단이 정위치에서 벗어나는 문제가 발생된다.
한편, 리페어용 학습모델(210)은 리페어 이후 잉크젯노즐(300)의 선단이 다시 정위치로 보정될 수 있도록 모터를 조절할 수 있다. 이를 위해, 리페어용 학습모델(210)은 바로 이전 잉크젯노즐(300)의 이미지를 레퍼런스이미지로 바로 다음 잉크젯노즐(300)의 선단 위치를 보정하게 된다. 다만, 리페어용 학습모델(210)은 학습 데이터로 사용된 이전 이미지들에 대한 가중치를 달리 적용하는 방식으로 복수 개의 이전 잉크젯노즐(300)의 이미지를 레퍼런스이미지로 사용할 수 있다.
구체적으로, 이미지생성부는 잉크젯노즐(300)이 존재하는 이미지에서 잉크젯노즐(300)이 존재하지 않는 이미지를 차감하여, 잉크젯노즐(300)만 존재하는 노즐이미지를 생성할 수 있다.
예를 들어, 리페어용 학습모델(210)은 바로 직전 잉크젯노즐(300)의 이미지에서 추출한 제1정보에 최고가중치를 부여하고, 미리 설정되는 복수 개의 이전 잉크젯노즐(300)의 이미지에서 추출한 제2정보 내지 제n정보에 순위별가중치를 부여하는 방식으로 잉크젯노즐(300)의 선단 위치에 대한 오차를 보정할 수 있다.
이상에서는 본 발명의 바람직한 실시예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시예에만 한정되는 것은 아니며, 특허청구범위에 기재된 범주 내에서 적절하게 변경 가능한 것이다.
s10 : 제1단계 s20 : 제2단계
s30 : 제3단계 s40 : 제4단계
s50 : 제5단계

100 : 단위영역인식부
200 : 결함판정부 210 : 리페어용 학습모델
220 : 리페어용 추론모듈
300 : 잉크젯노즐

Claims (9)

  1. 결함의 존부를 검사하기 위한 디스플레이 패널을 제공하는 제1단계;
    상기 패널의 상면을 촬영하여, 입력이미지를 생성하는 제2단계;
    상기 입력이미지를 이용하여, 인공지능(AI) 기반의 리페어용 학습모델을 구축하는 제3단계;
    결함이 존재하면, 상기 결함에 대한 정보를 분석하여 상기 결함을 판정하는 제4단계;
    상기 결함이 리페어 가능하다고 판정되면, 상기 결함에 대응하는 리페어용 레시피를 적용하여 상기 패널을 수리하는 제5단계;를 포함하고,
    상기 제2단계와 상기 제3단계 사이에,
    상기 패널에서 검출되는 결함의 제1특징군을 그룹핑하여, 상기 제1특징군을 분석하는 규칙(rule) 기반의 리페어용 추론모듈을 구축하는 단계;를 더 포함하며,
    상기 제1특징군은 결함의 밝기 정보를 포함하며,
    상기 리페어용 추론모듈은 상기 결함의 밝기 정보를 거리 단위로 변환시킨 거리변환 정보를 일 요소로 이용하여 결함의 형태를 판단하고,
    상기 제5단계는,
    상기 리페어용 레시피에 대응하여, 리페어용 잉크를 분사하는 잉크젯노즐의 선단을 자동으로 이동시키는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 제4단계는,
    상기 리페어용 학습모델 및 상기 리페어용 추론모듈에서 획득되는 각각의 분석 데이터를 이용하여 최종적인 결함의 형태를 판정하는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  4. 제1항에 있어서,
    상기 리페어용 학습모델은 결함에서 검출한 1) 결함이 존재하는 레이어의 위치, 2) 결함의 종류, 3) 결함이 존재하는 영역을 포함하는 제2특징군을 학습 데이터로 하는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  5. 제1항에 있어서,
    상기 제2단계에서,
    상기 입력이미지를 적어도 하나 이상의 미리 설정된 크기의 단위영역이미지로 분할하는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  6. 제5항에 있어서, 상기 제4단계는
    상기 단위영역이미지와 레퍼런스이미지의 각 패턴을 비교하여 상기 결함에 대한 정보를 검출하는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  7. 제1항에 있어서, 상기 제4단계는,
    상기 결함을 검출하면, 데이터서버부에 상기 결함을 전송하는 제4-1단계;
    상기 결함을 수리가능판정, 수리불가능판정 및 모름판정 중 어느 하나로 판정하는 제4-2단계;를 포함하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  8. 제4항에 있어서,
    상기 학습모델은 상기 결함에 대한 제2특징군을 학습하면, 상기 리페어용 레시피를 업데이트하는 것을 특징으로 하는 인공지능(AI)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법.
  9. 삭제
KR1020210144754A 2021-10-27 2021-10-27 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법 KR102643090B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210144754A KR102643090B1 (ko) 2021-10-27 2021-10-27 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210144754A KR102643090B1 (ko) 2021-10-27 2021-10-27 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법

Publications (2)

Publication Number Publication Date
KR20230060250A KR20230060250A (ko) 2023-05-04
KR102643090B1 true KR102643090B1 (ko) 2024-03-04

Family

ID=86380041

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210144754A KR102643090B1 (ko) 2021-10-27 2021-10-27 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법

Country Status (1)

Country Link
KR (1) KR102643090B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020186938A (ja) * 2019-05-10 2020-11-19 富士フイルム株式会社 検査方法、検査装置、プログラム及び印刷装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008529067A (ja) * 2005-01-21 2008-07-31 フォトン・ダイナミクス・インコーポレーテッド 自動欠陥修復システム
KR101681947B1 (ko) 2016-05-27 2016-12-12 주식회사 에이치비테크놀러지 Ｔｆｔ기판의 결점 분류 방법 및 장치
KR102043664B1 (ko) 2019-04-29 2019-12-05 주식회사 에이치비테크놀러지 기판 내 결함을 검출하고 리페어하는 오토 리페어 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020186938A (ja) * 2019-05-10 2020-11-19 富士フイルム株式会社 検査方法、検査装置、プログラム及び印刷装置

Also Published As

Publication number Publication date
KR20230060250A (ko) 2023-05-04

Similar Documents

Publication Publication Date Title
KR102171491B1 (ko) 딥러닝을 이용한 양품 선별 방법
KR101688458B1 (ko) 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법
TWI447575B (zh) 自動缺陷修復系統
US20190197679A1 (en) Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof
US8311775B2 (en) Defect repair apparatus and defect repair method
US11450012B2 (en) BBP assisted defect detection flow for SEM images
US11200661B2 (en) Image generation apparatus, inspection apparatus, and image generation method
US20210142456A1 (en) Image Analysis System for Testing in Manufacturing
KR101982347B1 (ko) 오토 리페어 시스템의 불량 검출장치 및 방법
US20210035305A1 (en) Image-based classification system
JP7287669B2 (ja) 欠陥部認識装置及び欠陥部認識方法
TWI715051B (zh) 機器學習方法及應用機器學習方法的自動光學檢測設備
EP3767403A1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
WO2021101851A1 (en) Finding semiconductor defects using convolutional context attributes
US20230053085A1 (en) Part inspection system having generative training model
KR102643090B1 (ko) 인공지능(ai)을 이용한 잉크젯 방식의 디스플레이 패널에 대한 자동 결함 수리 방법
WO1998059235A1 (de) Verfahren zur fokussierung bei der abbildung strukturierter oberflächen von scheibenförmigen objekten
US20220281029A1 (en) Laser repair method and laser repair device
CN110487511A (zh) 基于深度学习的高清摄像头感光模组检测方法和检测装置
US20220238396A1 (en) Laser repair method and laser repair device
JP2008185395A (ja) 実装基板外観検査方法
DE10013137B4 (de) Verfahren zur bildgesteuerten Prüfung und Bearbeitung von Produkten
DE112020006158T5 (de) Bild-gut/fehlerhaft-Lernvorrichtung, Bild-gut/fehlerhaft-Bestimmungsvorrichtung und Bild-Lesevorrichtung
CN114118198A (zh) 在表面改性方法中确定缺陷的方法和装置
LU502889B1 (de) Method for processing at least one image

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