KR20190075641A

KR20190075641A - 인쇄 회로 기판 검사 장치, 솔더 페이스트 이상 감지 방법 및 컴퓨터 판독 가능한 기록 매체

Info

Publication number: KR20190075641A
Application number: KR1020170177391A
Authority: KR
Inventors: 노정규; 이재환; 이덕영
Original assignee: 주식회사 고영테크놀러지
Priority date: 2017-12-21
Filing date: 2017-12-21
Publication date: 2019-07-01
Also published as: EP3501828B1; CN109952019B; EP3501828A1; KR102106349B1; US20190195939A1; CN109952019A; US10684321B2

Abstract

인쇄 회로 기판 검사 장치가 개시된다. 인쇄 회로 기판을 검사하는 장치는, 스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 상기 복수의 개구들의 개구 형상 정보를 획득하고, 상기 측정 형상 정보 및 상기 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하고, 상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

Description

인쇄 회로 기판 검사 장치, 솔더 페이스트 이상 감지 방법 및 컴퓨터 판독 가능한 기록 매체{PRINTED CIRCUIT BOARD INSPECTING APPARATUS, METHOD FOR DETECTING ANOMALRY OF SOLDER PASTE AND COMPUTER READABLE RECORDING MEDIUM}

본 개시는 인쇄 회로 기판 검사 장치에 관한 것으로서, 보다 구체적으로 인쇄 회로 기판 장치에 인쇄된 솔더 페이스트의 이상 여부를 검출하기 위한 인쇄 회로 기판 검사 장치에 관한 것이다.

본 발명은 산업통상자원부의 로봇산업융합핵심기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제고유번호: 10077589, 연구과제명: 기계학습 기반 SMT 최적화 시스템 기술 개발].

전자 장치에 장착되는 인쇄 회로 기판에 솔더 페이스트가 인쇄되는 공정은 스크린 프린터에 의해 수행되며, 스크린 프린터가 인쇄 회로 기판에 솔더 페이스트를 인쇄하는 공정은 다음과 같다. 스크린 프린터는 인쇄 회로 기판을 고정시키기 위한 테이블에 인쇄 회로 기판을 위치 시키고, 스텐실의 개구가 대응되는 인쇄 회로 기판의 패드 상에 위치하도록 스텐실을 인쇄 회로 기판 상에 정렬시킨다. 이 후, 스크린 프린터는 스퀴지(squeegee)를 이용하여 스텐실의 개구를 통해 솔더 페이스트를 인쇄 회로 기판에 인쇄한다. 그 후, 스크린 프린터는 스텐실과 인쇄 회로 기판을 분리시킨다.

인쇄 회로 기판에 인쇄되는 솔더 페이스트의 형상은 SPI(solder paste inspection) 기술을 통해 검사될 수 있다. SPI 기술은, 광학 기술을 통해 인쇄 회로 기판에 인쇄된 솔더 페이스트의 2차원 또는 3차원 영상을 획득하고, 획득된 영상으로부터 인쇄 회로 기판에 인쇄되는 솔더 페이스트의 형상을 검사하는 기술이다.

본 개시는 머신-러닝 기반 모델을 이용하여 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들의 이상(anomaly) 여부를 감지하는 인쇄 회로 기판 검사 장치를 제공한다.

본 개시는 인쇄 회로 기판 검사 장치가 머신-러닝 기반 모델을 이용하여 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들의 이상 여부를 감지하도록 하는 실행 가능한 명령을 포함하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체를 제공한다.

본 개시는 인쇄 회로 기판 검사 장치에서 머신-러닝 기반 모델을 이용하여 복수의 솔더 페이스트들의 이상 여부를 감지하는 방법을 제공한다

본 개시의 일 실시예에 따르면, 인쇄 회로 기판을 검사하는 장치는, 스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하는 머신-러닝 기반 모델이 저장된 메모리 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 상기 복수의 개구들의 개구 형상 정보를 획득하고, 상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 상기 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하고, 상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

일 실시예에서, 상기 측정 형상 정보는, 솔더 페이스트의 부피 정보, 솔더 페이스트의 높이 정보 또는 솔더 페이스트의 면적 정보 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 미리 학습된 상기 복수의 개구들 각각을 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포를 나타내는 제1 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 상기 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습될 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 제1 정보에 기초하여,상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구들을 통해 인쇄된 상기 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 미리 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 제2 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 인쇄된 상기 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습될 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 제2 정보에 기초하여,상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구를 통해 인쇄된 상기 복수의 제2 솔더 페이스트가 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트가 상기 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

일 실시예에서, 상기 프로세서는, 상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 상기 제1 솔더 페이스트에 이상이 있는 것으로 감지할 수 있다.

일 실시예에서, 상기 프로세서는, 상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값이 개수가 설정된 개수 미만이 되는 경우, 상기 제1 솔더 페이스트에 이상이 없는 것으로 감지할 수 있다.

일 실시예에서, 인쇄 회로 기판 검사 장치는, 상기 인쇄 회로 기판에 대한 이미지를 획득하는 이미지 센서를 더 포함하고, 상기 프로세서는, 상기 이미지 센서를 통해 획득되는 이미지를 통해 상기 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보를 획득하고, 상기 인쇄 회로 기판과 관련된 설계 정보를 통해 상기 복수의 개구들 각각의 개구 형상 정보를 획득할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서, 상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가, 스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 획득하는 단계, 상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하는 단계 및 상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계를 수행하도록 하는 실행 가능한 명령을 포함하고, 상기 머신-러닝 기반 모델은, 스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 제1 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구들을 통해 인쇄된 상기 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 미리 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 제2 정보에 기초하여, 상기 상기 두 개의 개구들 각각을 통해 인쇄된 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보를 갖게 될 확률 값을 도출하도록 학습될 수 있다.

일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 제2 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구를 통해 인쇄된 상기 복수의 제2 솔더 페이스트가 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트가 상기 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

일 실시예에서, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계는, 상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 상기 제1 솔더 페이스트에 이상이 있는 것으로 감지할 수 있다.

본 개시의 일 실시예에 따르면, 인쇄 회로 기판 검사 장치에서, 솔더 페이스트에 이상 여부를 감지하는 방법은,스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 획득하는 단계,상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하는 단계 및 상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계를 포함하고,상기 머신-러닝 기반 모델은,스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

본 발명의 다양한 실시예에 따른 인쇄 회로 기판의 검사 장치는, 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 스텐실 개구의 개구 형상 정보를 이용하여, 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대해 이상이 있는지 여부를 감지할 수 있다. 이를 통해 보다 정확하게 인쇄 회로 기판에 인쇄된 솔더 페이스트들의 이상 여부를 감지할 수 있다.

도 1은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.
도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판에 인쇄된 솔더 페이스트의 이상 여부를 감지하는 방법의 흐름도이다.
도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치가 솔더 페이스트의 이상 여부를 감지하는 방법에 대한 개념도이다.
도 4는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치가 머신-러닝 기반 모델을 학습시키는 방법에 대한 개념도이다.
도 5a는 본 개시의 다양한 실시예에 따른 제1 형상을 가진 개구를 통해 인쇄된 제1 솔더 페이스트의 측정 형상 정보에 대한 분포를 나타내는 그래프이다.
도 5b는 본 개시의 다양한 실시예에 따른 제2 형상을 가진 개구를 통해 인쇄된 제2 솔더 페이스트의 측정 형상 정보에 대한 분포를 나타내는 그래프이다.
도 5c는 본 개시의 다양한 실시예에 따른 제1 솔더 페이스트와 제2 솔더 페이스트 간의 측정 형상 정보 차이에 대한 분포를 나타내는 그래프이다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에 의한 동일한 형상을 가진 개구를 통해 인쇄되는 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.
도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에 의한 솔더 페이스트들 간의 측정 형상 정보 차이를 이용하여 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.
도 8은 본 개시의 다양한 실시예에 따른 솔더 페이스트들 간의 측정 형상 정보의 비교를 통해 솔더 페이스트들이 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.
도 9는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에서 도출된 확률 값들을 이용하여 솔더 페이스트의 이상 여부를 감지하는 방법의 흐름도이다.

본 개시의 실시예들은 본 개시의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 개시에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.

본 개시에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 개시에 사용되는 모든 용어들은 본 개시를 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 개시에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.

본 개시에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.

본 개시에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.

본 개시에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.

본 개시에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.

본 개시에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.

이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

도 1은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.

본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 이미지 센서(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 프로세서(130)에 의해 처리된 결과를 출력하기 위한 디스플레이 등과 같은 다른 출력 장치(미도시) 또는 처리된 결과를 다른 전자 장치로 전송하기 위한 통신 회로(미도시)를 더 포함할 수 있다. 이미지 센서(110), 메모리(120) 및 프로세서(130)는 전기적으로 연결되어 신호를 송수신할 수 있다.

일 실시예에서, 이미지 센서(110)는 스크린 프린터(101)에 의해 복수의 솔더 페이스트들이 인쇄된 인쇄 회로 기판에 대한 이미지를 획득할 수 있다. 이미지 센서(110)에 의해 획득되는 이미지는 인쇄 회로 기판에 대한 2차원 또는 3차원 이미지일 수 있다. 이미지 센서(110)에 의해 획득되는 인쇄 회로 기판에 대한 이미지는, 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 대한 형상 정보를 측정하는 데에 이용될 수 있다. 이하에서, 측정된 복수의 솔더 페이스트들에 대한 형상 정보를 '측정 형상 정보'라 한다. 예를 들어, 인쇄 회로 기판에 대한 이미지를 이용하여, 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 부피 정보, 면적 정보 또는 높이 정보 중 적어도 하나를 포함하는 형상 정보가 측정될 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 복수의 솔더 페이스트들 각각의 형상과 관련된 다양한 정보가 측정될 수 있다. 또한, 인쇄 회로 기판에 대한 이미지를 이용하여, 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 위치 등과 같이 복수의 솔더 페이스트들 각각의 특성을 나타낼 수 있는 다양한 정보가 더 측정될 수 있다.

일 실시예에서, 메모리(120)는 머신-러닝 기반 모델을 저장할 수 있다. 머신-러닝 기반 모델은, 스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다. 여기에서, 개구 형상 정보는, 스텐실에 형성된 두 개의 개구들의 형상, 크기, 두께 등과 같이 두 개의 개구들의 특성과 관련된 정보를 포함할 수 있다.

인쇄 회로 기판에 인쇄되는 복수의 솔더 페이스트들의 측정 형상 정보는 스크린 프린터(101)의 제어 파라미터, 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 개구들의 형상 및 스크린 프린터(101)의 동작과 관련된 환경 요소에 따라, 상이할 수 있다. 스크린 프린터(101)에 의해 복수의 솔더 페이스트들이 인쇄되는 하나의 인쇄 회로 기판에 대해서는 스크린 파라미터(101)의 제어 파라미터 및 스크린 프린터(101)의 동작과 관련된 환경 요소가 동일할 수 있다. 그러므로, 하나의 인쇄 회로 기판에 인쇄된 솔더 페이스트들의 측정 형상 정보는 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 개구들의 형상에 따라 상이해질 수 있다..

이에 따라, 머신-러닝 기반 모델은, 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출하기 위하여, 인쇄 회로 기판 검사 장치(100)에서 검사가 수행된 복수의 인쇄 회로 기판들 각각을 통해 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 복수의 인쇄 회로 기판들의 인쇄에 이용된 스텐실에 형성된 복수의 개구들에 대한 개구 형상 정보를 이용하여 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습될 수 있다. 머신-러닝 기반 모델로는 딥-러닝 모델 등이 이용될 수 있으며, 머신-러닝 기반 모델을 학습시키는 구체적인 방법에 대해서는 후술하도록 한다.

또한, 머신-러닝 기반 모델은 인쇄 회로 기판 검사 장치(100)와 유선 또는 무선으로 연동된 전자 장치(예: 외부 서버 등)의 메모리에 저장될 수도 있다. 이 경우, 인쇄 회로 기판 검사 장치(100)는 유선 또는 무선으로 연동된 전자 장치와 솔더 페이스트의 이상 여부를 감지하기 위한 정보를 송수신할 수 있다.

일 실시예에서, 프로세서(130)는 위와 같이 학습된 머신-러닝 기반 모델은 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출하기 위하여, 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형상된 복수 개의 개구들을 통해 인쇄된 복수 개의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 복수 개의 개구들의 개구 형상 정보를 이용할 수 있다. 예를 들어, 복수 개의 솔더 페이스트들 각각에 대한 측정 형상 정보는 인쇄 회로 기판에 대한 이미지를 통해 획득될 수 있다. 또한, 복수 개의 개구들의 개구 형상 정보는 인쇄 회로 기판과 관련된 설계 정보를 통해 획득될 수 있다. 인쇄 회로 기판과 관련된 설계 정보는, 인쇄 회로 기판의 인쇄에 이용된 스텐실에 대한 정보(예: 스텐실에 형상된 개구들의 수, 개구들의 형상, 개구들의 위치 등)를 포함할 수 있다.

예를 들어, 프로세서(130)는 스크린 프린터(101)에서 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보를 획득할 수 있다. 제1 인쇄 회로 기판은 스크린 프린터(101)에서 복수의 솔더 페이스트들이 인쇄된 후 인쇄 회로 기판 검사 장치(100)로 이송된 검사 대상이 되는 인쇄 회로 기판일 수 있다. 예를 들어, 프로세서(130)는 제1 인쇄 회로 기판에 대한 이미지를 이용하여, 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보를 획득할 수 있다.

또한, 프로세서(130)는 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 복수의 개구들의 개구 형상 정보를 획득할 수 있다. 프로세서(130)는 메모리(120)에 저장되거나 스크린 프린터(101)로부터 수신되는 제1 인쇄 회로 기판과 관련된 설계 정보를 통해 복수의 개구들의 개구 형상 정보를 획득할 수 있다.

일 실시예에서, 프로세서(130)는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 복수의 개구들 각각의 개구 형상 정보를 머신-러닝 기반 모델에 적용할 수 있다. 프로세서(120)는 머신-러닝 기반 모델을 통해 도출되는 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 획득할 수 있다.

예를 들어, 프로세서(130)는 스텐실에 형성된 복수의 개구들 중 제1 개구를 통해 제1 인쇄 회로 기판에 인쇄된 제1 솔더 페이스트와 복수의 개구들 중 제1 개구가 아닌 제2 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 제2 솔더 페이스트들이 제1 인쇄 회로 기판에 인쇄되었을 때에 제1 솔더 페이스트와 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득할 수 있다.

일 실시예에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 확률 값들에 기초하여, 제1 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다. 예를 들어, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 제1 솔더 페이스트에 이상이 있는 것으로 감지할 수 있다. 또 다른 예로, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 미만이 되는 경우, 제1 솔더 페이스트에 이상이 없는 것으로 감지할 수 있다. 제1 솔더 페이스트의 이상 여부를 감지하기 위해 이용되는 임계 값 및 개수는, 제1 솔더 페이스트의 이상 여부를 검출한 후, 실제 제1 솔더 페이스트에 이상 여부와의 비교를 통해 조정될 수 있다.

일 실시예에서, 프로세서(130)는 제1 솔더 페이스트에 이상이 있는지 여부를 감지한 후, 동일한 과정을 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 제1 솔더 페이스트를 제외한 나머지 솔더 페이스트들에 대해서도 수행할 수 있다. 이를 통해, 프로세서(130)는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

일 실시예에서, 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 복수의 개구들의 개구 형상 정보는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 검출하는 데에 이용될 수 있다. 이를 통해, 머신-러닝 기반 모델로부터 도출되는 값들이 인쇄 회로 기판 검사 장치(100)에 의해 검사되는 인쇄 회로 기판의 수가 증가함에 따라 보다 정확해질 수 있다.

도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판에 인쇄된 솔더 페이스트의 이상 여부를 검출하는 방법의 흐름도이다.

도 2, 도 5, 도 6, 도 7 및 도 8에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 개시의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 개시에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 개시의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.

210 단계에서, 인쇄 회로 기판 검사 장치(100)의 프로세서(130)는 제1 인쇄 회로 기판에 대한 이미지를 이용하여, 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보를 획득할 수 있다. 또한, 프로세서(130)는 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 복수의 개구들의 개구 형상 정보를 획득할 수 있다. 프로세서(130)는 메모리(120)에 저장되거나 스크린 프린터(101) 등과 같은 외부 전자 장치로부터 수신되는 제1 인쇄 회로 기판과 관련된 설계 정보를 통해 복수의 개구들의 개구 형상 정보를 획득할 수 있다.

220 단계에서, 프로세서(130)는 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 복수의 개구들의 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 스텐실에 형성된 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 복수의 개구들 중 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값들을 획득할 수 있다. 머신-러닝 기반 모델이 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 구체적인 방법에 대해서는 후술하도록 한다.

230 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 확률 값들에 기초하여, 제1 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다. 또한, 프로세서(130)는 제1 솔더 페이스트에 이상이 있는지 여부를 감지한 후, 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 제1 솔더 페이스트를 제외한 나머지 솔더 페이스트들 각각에 대해서도 220 단계 및 230 단계를 수행할 수 있다. 이를 통해, 프로세서(130)는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치가 솔더 페이스트의 이상 여부를 감지하는 방법에 대한 개념도이다.

일 실시예에서, 복수의 인쇄 회로 기판들(310) 각각은 스크린 프린터(101)에서 복수의 솔더 페이스트들이 인쇄된 후, 인쇄 회로 기판 검사 장치(100)로 이송될 수 있다. 복수의 인쇄 회로 기판들(310) 각각은 순차적으로 인쇄 회로 기판 검사 장치(100)로 이송되고, 인쇄 회로 기판 검사 장치(100)는 복수의 인쇄 회로 기판들(310) 각각에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

일 실시예에서, 인쇄 회로 기판 검사 장치(100)의 메모리(120)에 저장되거나 인쇄 회로 기판 검사 장치(100)와 유선 또는 무선으로 연동된 전자 장치(예: 외부 서버 등)의 메모리에 저장된 머신-러닝 기반 모델(320)은 복수의 인쇄 회로 기판들(310) 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 제1 인쇄 회로 기판에 인쇄되었을 때에, 제1 솔더 페이스트와 복수의 제2 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값들을 획득할 수 있다. 예를 들어, 머신-러닝 기반 모델(320)는 복수의 인쇄 회로 기판들(310) 중 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각과 다른 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게될 확률 값들을 도출할 수 있다. 머신-러닝 기반 모델(320)로부터 도출되는 확률 값들은 프로세서(130)가 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 감지하는 데에 이용될 수 있다.

일 실시예에서, 복수의 솔더 페이스트들 각각에 대응하는 머신-러닝 기반 모델(320)로부터 도출되는 확률 값들은 그래프(330)와 같이 나타낼 수 있다. 그래프(330)의 x 축 및 y 축은 복수의 솔더 페이스트들이 인쇄되는 제1 인쇄 회로 기판의 패드 ID일 수 있다. 예를 들어, 그래프(330)를 참조하면, 제1 패드 ID(P1)에 대응하는 제1 패드에 인쇄된 제1 솔더 페이스트와 제1 인쇄 회로 기판의 복수의 패드들 중 제1 패드가 아닌 나머지 패드들에 인쇄된 복수의 솔더 페이스트들이 획득된 측정 형상 정보를 갖게될 확률 값들은 상대적으로 낮은 값들을 가지고, 서로 유사한 값일 수 있다. 이를 통해, 제1 패드에 인쇄된 제1 솔더 페이스트는 이상이 있는 것으로 감지될 수 있다.

또 다른 예로, 그래프(330)를 참조하면, 제2 패드 ID(P2)에 대응하는 제2 패드에 인쇄된 제2 솔더 페이스트와 제1 인쇄 회로 기판의 복수의 패드들 중 제2 패드가 아닌 나머지 패드들에 인쇄된 복수의 솔더 페이스트들이 획득된 측정 형상 정보를 갖게 될 확률 값들은 상대적으로 높은 값들을 가지고, 서로 유사한 값일 수 있다. 이를 통해, 제2 패드에 인쇄된 제2 솔더 페이스트는 이상이 없는 것으로 감지 될 수 있다.

일 실시예에서, 그래프(330)에 표시된 값들이 상대적으로 높은지 낮은지를 판단하는 기준이 되는 임계 값은 솔더 페이스트의 이상 여부를 감지한 후, 실제 솔더 페이스트의 이상 여부와의 비교를 통해 조정될 수 있다. 예를 들어, 솔더 페이스트가 이상이 있는 것으로 감지되고, 이상이 있는 것으로 감지된 솔더 페이스트에 실제 이상이 있는 경우, 임계 값은 유지되거나 더 낮아지도록 조정될 수 있다. 또 다른 예로, 솔더 페이스트가 이상이 있는 것으로 감지되고, 이상이 있는 것으로 검출된 솔더 페이스트에 실제 이상이 없는 경우, 임계 값은 더 높아지도록 조정될 수 있다.

일 실시예에서, 솔더 페이스트와 다른 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값들이 설정된 임계 값 근처에 분포할 수 있다. 이 경우, 솔더 페이스트의 이상 여부를 감지하기 위하여, 확률 값들 중 임계 값 이하가 되는 확률 값의 개수와 설정된 개수의 비교를 통해 솔더 페이스트의 이상 여부를 감지할 수 있다.

예를 들어, 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 솔더 페이스트에 이상이 있는 것으로 감지하고, 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 미만이 되는 경우, 솔더 페이스트에 이상이 없는 것으로 감지할 수 있다. 솔더 페이스트의 이상 여부를 감지하는 기준이 되는 개수 역시 임계 값과 솔더 페이스트의 이상 여부를 감지한 후, 실제 솔더 페이스트의 이상 여부와의 비교를 통해 조정될 수 있다. 예를 들어, 솔더 페이스트가 이상이 있는 것으로 감지되고, 이상이 있는 것으로 검출된 솔더 페이스트에 실제 이상이 있는 경우, 개수는 유지되거나 더 낮아지도록 조정될 수 있다. 또 다른 예로, 솔더 페이스트가 이상이 있는 것으로 감지되고, 이상이 있는 것으로 검출된 솔더 페이스트에 실제 이상이 없는 경우, 개수는 더 높게 조정될 수 있다.

일 실시예에서, 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중, 머신-러닝 기반 모델(320)에서 도출된 값들을 통해 이상이 있는 것으로 검출된 적어도 하나의 솔더 페이스트를 제1 인쇄 회로 기판의 이미지(340)에 표시할 수 있다. 예를 들어, 이상이 검출된 적어도 하나의 솔더 페이스트에 대응하는 패드 ID를 결정하고, 결정된 패드 ID 및 제1 인쇄 회로 기판과 관련된 설계 정보를 통해 이상이 검출된 적어도 하나의 솔더 페이스트가 인쇄된 위치를 결정할 수 있다.

일 실시예에서, 이상이 감지된 적어도 하나의 솔더 페이스트를 표시한 제1 인쇄 회로 기판의 이미지(340)는 인쇄 회로 기판의 검사 장치(100)의 디스플레이를 통해 출력될 수 있다. 또한, 이상이 감지된 적어도 하나의 솔더 페이스트를 표시한 제1 인쇄 회로 기판의 이미지(340)는 인쇄 회로 기판 검사 장치(100)의 통신 모듈을 통해 다른 전자 장치로 송신되어, 이상이 감지된 적어도 하나의 솔더 페이스트와 관련된 스크린 프린터(101)의 결함을 결정하고 교정하는 데에 이용될 수도 있다.

도 4는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치가 머신-러닝 기반 모델을 학습시키는 방법에 대한 개념도이다.

일 실시예에서, 머신-러닝 기반 모델(420)은, 복수의 솔더 페이스트들 각각이 다른 솔더 페이스트들 각각이 획득된 측정 형성 정보를 갖게 될 확률 값을 도출하기 위하여, 인쇄 회로 기판 검사 장치(100)에서 검사가 수행된 복수의 인쇄 회로 기판들(410) 각각을 통해 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 복수의 인쇄 회로 기판들의 인쇄에 이용된 스텐실에 형성된 복수의 개구들에 대한 개구 형상 정보를 이용하여 학습될 수 있다.

예를 들어, 스크린 프린터(101)의 제어 파라미터 및 스크린 프린터(101)의 동작과 관련된 환경 요소가 동일하므로, 인쇄 회로 기판의 인쇄에 이용된 스텐실에 형성된 개구들의 개구 형상 정보가 주로 하나의 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트의 측정 형상 정보에 영향을 줄 수 있다. 따라서, 머신-러닝 기반 모델(420)은 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 스텐실에 형성된 복수의 개구들에 대한 개구 형상 정보를 이용하여 학습될 수 있다.

일 실시예에서, 머신-러닝 기반 모델(420)은 스텐실에 형성된 개구들의 형상과 관계 없이, 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 스텐실에 형성된 복수의 개구들에 대한 개구 형상 정보를 이용하여 학습될 수 있다.

예를 들어, 머신-러닝 기반 모델(420)은 복수의 개구들 각각을 통해 동일한 인쇄 회로 기판에 인쇄된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포 정보를 학습할 수 있다. 스크린 프린터(101)에서 이용되는 적어도 하나의 스텐실에 형성된 개구들의 복수의 형상들 각각에 대응하도록, 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포 정보가 머신-러닝 기반 모델(420)에 학습될 수 있다.

예를 들어, 머신 러닝 기반 모델(420)은 미리 학습된 복수의 개구들 각각을 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포를 나타내는 분포 정보에 기초하여, 복수의 솔더 페이스트들이 동일한 인쇄 회로 기판에 인쇄되었을 때에 복수의 솔더 페이스트들이 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

또 다른 예로, 머신-러닝 기반 모델(420)은 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 분포 정보를 학습할 수 있다. 여기에서, 측정 형상 정보의 차이는 정량적 차이 등을 나타낼 수 있다.

또한, 머신-러닝 기반 모델(420)은 미리 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 분포 정보에 기초하여, 상기 복수의 솔더 페이스트들이 동일한 인쇄 회로 기판에 인쇄되었을 때에 복수의 솔더 페이스트들이 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

이와 같이, 머신 러닝 기반 모델(420)은 스텐실에 형성된 두 개의 개구들의 형상과 관계 없이, 미리 학습된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포를 나타내는 분포 정보 및 서로 다른 형상을 가진 개구를 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보의 차이에 대한 분포를 이용하여, 복수의 솔더 페이스트들이 동일한 인쇄 회로 기판에 인쇄되었을 때에 복수의 솔더 페이스트들이 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

또 다른 예로, 머신-러닝 기반 모델(420)은 개구들의 형상이 동일한지 여부에 따라 서로 다른 방법으로, 복수의 솔더 페이스트들이 동일한 인쇄 회로 기판에 인쇄되었을 때에 복수의 솔더 페이스트들이 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있으며, 이하에서는 이에 대해 설명하도록 한다.

일 실시예에서, 머신-러닝 기반 모델(420)은, 스텐실에 형성된 두 개의 개구들 각각의 형상이 동일한 경우, 두 개의 개구들을 통해 동일한 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들의 측정 형상 정보에 기초하여, 동일한 개구의 형상을 통해 인쇄된 솔더 페이스트들의 측정 형상 정보에 대한 분포 정보를 학습할 수 있다. 스크린 프린터(101)에서 이용되는 적어도 하나의 스텐실에 형성된 개구들의 복수의 형상들 각각에 대응하도록, 동일한 인쇄 회로 기판에 동일한 형상의 개구들을 통해 인쇄되는 솔더 페이스트의 측정 형상 정보에 대한 분포 정보가 머신-러닝 기반 모델(420)에 학습될 수 있다.

예를 들어, 스텐실에 형성된 제1 형상 및 제2 형상을 가진 두 개의 개구들 각각을 통해 인쇄된 솔더 페이스트들의 측정 형상 정보에 대한 분포 정보는 도 5a 및 도 5b에서와 같이, 가우시안 분포(Gaussian distribution)로 나타낼 수 있다. 이러한 분포 정보는, 머신-러닝 기반 모델(420)이 동일한 형상을 가지는 개구들을 통해 인쇄된 솔더 페이스트들이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 데에 이용될 수 있다. 또한, 이러한 분포 정보는, 서로 다른 형상을 가지는 개구들을 통해 인쇄된 솔더 페이스트들 간의 측정 형상 정보의 차이 또는 측정 형상 정보의 상대적인 값을 도출하는 데에 이용될 수도 있다.

일 실시예에서, 머신-러닝 기반 모델(420)은 스텐실에 형성된 두 개의 개구들 각각의 형상이 제1 형상으로 동일한 경우, 미리 학습된 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트들 각각에 대한 측정 형상 정보에 대한 분포 정보에 기초하여, 두 개의 솔더 페이스트들이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(420)은 분포 정보에 기초하여, 검사 대상이 되는 제1 인쇄 회로 기판에 제1 형상을 가진 개구를 통해 인쇄된 두 개의 솔더 페이스트이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 획득된 측정 형상 정보 각각을 갖게 될 확률 값을 도출할 수 있다.

예를 들어, 머신-러닝 기반 모델(420)은 제1 형상을 가진 개구를 통해 인쇄된 두 개의 솔더 페이스트의 부피 정보가 a 및 b인 경우, 두 개의 솔더 페이스트의 부피 정보를 미리 학습된 분포 정보에 적용할 수 있다. 머신-러닝 기반 모델(420)은 분포 정보에 기초하여, 제1 형상을 가진 개구를 통해 인쇄되는 두 개의 솔더 페이스트가 a 또는 b인 부피 정보를 갖게 될 확률 값을 도출할 수 있다. 위에서는, 설명의 편의를 위해 측정 형상 정보 중 부피 정보를 중심으로 설명하였으나, 이에 제한되는 것은 아니며, 부피 정보를 제외한 측정 형상 정보에 포함되는 다른 정보들을 통해서도 두 개의 솔더 페이스트가 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 획득된 측정 형상 정보를 각각 갖게 될 확률 값이 도출될 수 있다.

일 실시예에서, 머신-러닝 기반 모델(420)은, 스텐실에 형성된 두 개의 개구들 각각의 형상이 상이한 경우, 두 개의 개구들을 통해 동일한 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들의 측정 형상 정보에 기초하여, 두 개의 솔더 페이스트들의 측정 형상 정보의 차이에 대한 분포 정보를 학습할 수 있다. 스크린 프린터(101)에서 이용되는 적어도 하나의 스텐실에 형성된 개구들의 복수의 형상들 별로, 동일한 인쇄 회로 기판에서 동일한 형상을 가진 개구들을 통해 인쇄되는 솔더 페이스트의 측정 형상 정보와 다른 형상을 가진 개구들을 통해 인쇄되는 솔더 페이스트의 측정 형상 정보와 차이에 대한 분포 정보가 머신-러닝 기반 모델(420)에 학습될 수 있다.

예를 들어, 스텐실에 형성된 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 다른 형상을 가진 개구를 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보의 차이에 대한 분포 정보를 도 5c와 같이 나타낼 수 있다. 예를 들어, 제1 그래프(510)는 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 제2 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보의 차이에 대한 분포 정보일 수 있다. 제2 그래프(520)는 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 제3 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보의 차이에 대한 분포 정보일 수 있다. 제3 그래프(530) 내지 제7 그래프(570) 역시 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 제4 내지 제 6 형상을 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보의 차이에 대한 분포 정보일 수 있다.

이러한 분포 정보는 머신-러닝 기반 모델(420)이 서로 상이한 형상을 가지는 개구들을 통해 인쇄된 솔더 페이스트들이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 데에 이용될 수 있다.

예를 들어, 머신-러닝 기반 모델(420)은 제1 형상을 가진 개구를 통해 인쇄된 제1 솔더 페이스트의 부피 정보가 a 이고, 제2 형상을 가진 개구를 통해 인쇄된 제2 솔더 페이스트의 부피 정보가 b인 경우, 분포 정보에 기초하여, 수학식 1과 같은 조건부 확률을 통해 제1 솔더 페이스트와 제2 솔더 페이스트가 부피 정보 a 및 부피 정보 b를 갖게 될 확률 값을 도출할 수 있다.

여기에서, x는 제1 솔더 페이스트와 제2 솔더 페이스트가 부피 정보 a 및 부피 정보 b를 갖게 될 확률 값이고, A는 제1 솔더 페이스트와 제2 솔더 페이스트의 부피 정보의 차이가 a-b인 사건을 나타내고, B는 제1 솔더 페이스트는 제1 형상을 가진 개구를 통해 인쇄되고, 제2 솔더 페이스트는 제2 형상을 가진 개구를 통해 인쇄되는 사건을 나타낼 수 있다. 머신-러닝 기반 모델(420)은 분포 정보를 통해, 제1 솔더 페이스트가 스텐실의 제1 개구를 통해 인쇄되고, 제2 솔더 페이스트가 제2 개구를 통해 인쇄된 경우, 제1 솔더 페이스트와 제2 솔더 페이스트 사이의 부피 정보의 차이가 a-b일 확률 값을 도출할 수 있다. 머신-러닝 기반 모델(420)은 도출된 확률 값을 제1 솔더 페이스트와 제2 솔더 페이스트가 부피 정보 a 및 부피 정보 b를 갖게 될 확률 값으로 도출할 수 있다.

일 실시예에서, 머신-러닝 기반 모델(420)은, 스텐실에 형성된 두 개의 개구들 각각의 형상이 상이한 경우, 두 개의 개구들을 통해 동일한 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들의 측정 형상 정보에 기초하여, 두 개의 솔더 페이스트들의 측정 형상 정보 사이의 상대적인 값에 대한 분포 정보를 학습할 수 있다. 스크린 프린터(101)에서 이용되는 적어도 하나의 스텐실에 형성된 개구들의 복수의 형상들 별로, 동일한 인쇄 회로 기판에서 동일한 형상을 가진 개구들을 통해 인쇄되는 솔더 페이스트의 측정 형상 정보와 다른 형상을 가진 개구들을 통해 인쇄되는 솔더 페이스트의 측정 형상 정보의 상대적인 값에 대한 분포 정보가 머신-러닝 기반 모델(420)에 학습될 수 있다. 여기에서 상대적인 값은, 두 개의 솔더 페이스트들의 측정 형상 정보 사이의 비율 등과 같이 두 개의 솔더 페이스트들의 측정 형상 정보 사이의 관계를 나타내는 값일 수 있다.

예를 들어, 머신-러닝 기반 모델(420)은 제1 형상을 가진 개구를 통해 인쇄된 제1 솔더 페이스트의 부피 정보가 a 이고, 제2 형상을 가진 개구를 통해 인쇄된 제2 솔더 페이스트의 부피 정보가 b인 경우, 분포 정보에 기초하여, 수학식 2와 같은 조건부 확률을 통해 제1 솔더 페이스트와 제2 솔더 페이스트가 부피 정보 a 및 부피 정보 b를 갖게 될 확률 값을 도출할 수 있다.

여기에서, x는 제1 솔더 페이스트와 제2 솔더 페이스트가 제 부피 정보 a 및 부피 정보 b를 갖게 될 확률 값일 수 있다. C는 제1 솔더 페이스트의 부피 정보와 제2 솔더 페이스트의 부피 정보의 비율이 a:b인 사건을 나타내고, D 제1 솔더 페이스트는 제1 형상을 가진 개구를 통해 인쇄되고, 제2 솔더 페이스트는 제2 형상을 통해 인쇄되는 사건을 나타낼 수 있다. 또한, C는 제1 솔더 페이스트의 부피 정보가 a인 사건을 나타내고, D는 제1 솔더 페이스트는 제1 형상을 가진 개구를 통해 인쇄되고, 제2 형상을 가진 개구를 통해 인쇄되는 제2 솔더 페이스트의 부피 정보는 b인 사건을 나타낼 수도 있다. 머신-러닝 기반 모델(420)은 분포 정보를 통해, 제1 솔더 페이스트는 제1 개구를 통해 인쇄되고, 제2 개구를 통해 인쇄된 제2 솔더 페이스트의 부피 정보가 b인 경우, 제1 솔더 페이스트의 부피 정보가 a가 될 확률 값을 도출할 수 있다. 머신-러닝 기반 모델(420)은 도출된 확률 값을 제1 솔더 페이스트와 제2 솔더 페이스트가 획득된 측정 형상 정보를 갖게 될 확률 값으로 도출할 수 있다.

위와 같이, 머신-러닝 기반 모델(420)은 복수의 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게될 확률 값을 도출하도록 학습될 수 있다. 위에서 설명한 머신-러닝 기반 모델(420)의 학습 방법은 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 복수의 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하기 위하여 다양한 방법으로 머신-러닝 기반 모델(420)이 학습될 수 있다.

도 6는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에 의한 동일한 형상을 가진 개구를 통해 인쇄되는 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.

610 단계에서, 인쇄 회로 기판 검사 장치(100)의 메모리(120) 또는 인쇄 회로 기판 검사 장치(100)와 무선 또는 유선으로 연동된 전자 장치(예: 외부 서버 등)의 메모리에 저장된 머신-러닝 기반 모델은 스텐실에 형성된 복수의 개구들 각각에 대한 개구 형상 정보에 기초하여, 복수의 개구들 중 제1 형상을 가진 적어도 하나의 개구를 통해 제1 인쇄 회로 기판에 인쇄된 적어도 하나의 제3 솔더 페이스트를 결정할 수 있다. 스텐실은 스크린 프린터(101)에서 제1 인쇄 회로 기판의 인쇄에 이용된 스텐실일 수 있다.

620 단계에서, 머신-러닝 기반 모델은 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트들 각각에 대한 측정 형상 정보에 대한 분포를 나타내는 분포 정보에 기초하여, 제1 형상을 가진 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 적어도 하나의 제3 솔더 페이스트가 제1 인쇄 회로 기판에 인쇄되었을 때에 제1 솔더 페이스트와 적어도 하나의 제3 솔더 페이스트가 획득된 측정 형상 정보를 갖게될 확률 값을 도출할 수 있다.

도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에 의한 솔더 페이스트들 간의 측정 형상 정보 차이를 이용하여 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.

710 단계에서, 인쇄 회로 기판 검사 장치(100)의 메모리(120)에 저장된 머신-러닝 기반 모델은 스텐실에 형성된 복수의 개구들 각각에 대한 측정 형상 정보에 기초하여, 복수의 개구들 중 제2 형상을 가지는 적어도 하나의 개구를 통해 인쇄된 적어도 하나의 제4 솔더 페이스트를 결정할 수 있다.

720 단계에서, 머신-러닝 기반 모델은 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 제2 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보의 차이에 대한 분포를 나타내는 분포 정보에 기초하여, 제1 솔더 페이스트와 적어도 하나의 제4 솔더 페이스트가 제1 인쇄 회로 기판에 인쇄되었을 때에 제1 솔더 페이스트와 적어도 하나의 제4 솔더 페이스트가 획득된 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

도 8은 본 개시의 다양한 실시예에 따른 솔더 페이스트들 간의 측정 형상 정보의 비교를 통해 솔더 페이스트들 각각이 획득된 측정 형상 정보를 갖게 될 확률 값을 도출하는 방법의 흐름도이다.

810 단계에서, 인쇄 회로 기판 검사 장치(100)의 메모리(120)에 저장된 머신-러닝 기반 모델은, 스텐실에 형성된 복수의 개구들 각각에 대한 개구 형상 정보에 기초하여, 복수의 개구들 중 제2 형상을 가지는 적어도 하나의 개구를 통해 인쇄된 적어도 하나의 제4 솔더 페이스트를 결정할 수 있다.

820 단계에서, 머신-러닝 기반 모델은 제1 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보와 제2 형상을 가진 개구를 통해 인쇄된 솔더 페이스트에 대한 측정 형상 정보의 상대적인 값에 대한 분포를 나타내는 분포 정보에 기초하여, 제1 제1 솔더 페이스트와 적어도 하나의 제4 솔더 페이스트가 제1 인쇄 회로 기판에 인쇄되었을 때에 제1 솔더 페이스트와 적어도 하나의 제4 솔더 페이스트가 획득된 측정 형상 정보를 갖게 될 확률 값을 도출할 수 있다.

서로 다른 형상을 가지는 개구를 통해 인쇄된 솔더 페이스트들이 획득된 측정 형상 정보를 갖게 될 확률을 도출하는 방법은, 머신-러닝 기반 모델이 학습된 방법에 따라 도 7 및 도 8에서 설명한 방법들 중 하나가 선택되어 이용될 수도 있고, 도 7 및 도 8에서 설명한 방법들이 모두 이용될 수도 있다.

도 9는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에서 도출된 확률 값들을 이용하여 솔더 페이스트의 이상 여부를 감지하는 방법의 흐름도이다.

910 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는지 여부를 판단할 수 있다. 임계 값 및 개수는 위에서 설명한 바와 같이, 제1 솔더 페이스트의 이상 여부를 감지한 후, 실제 제1 솔더 페이스트에 이상 여부와의 비교를 통해 조정될 수 있다.

930 단계에서, 프로세서(130)는 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 제1 솔더 페이스트에 이상이 있는 것으로 감지할 수 있다.

940 단계에서, 프로세서(130)는, 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 미만이 되는 경우, 제1 솔더 페이스트에 이상이 없는 것으로 감지할 수 있다.

프로세서(130)는 제1 솔더 페이스트에 이상이 있는지 여부를 감지한 후, 동일한 과정을 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 제1 솔더 페이스트를 제외한 나머지 솔더 페이스트들에 대해서도 수행할 수 있다. 이를 통해, 프로세서(130)는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 이상이 있는지 여부를 감지할 수 있다.

상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 광데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.

이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 개시의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.

Claims

인쇄 회로 기판을 검사하는 장치에 있어서,
스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하는 머신-러닝 기반 모델이 저장된 메모리; 및
상기 메모리와 전기적으로 연결된 프로세서
를 포함하고, 상기 프로세서는,
스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 대한 측정 형상 정보 및 상기 복수의 개구들의 개구 형상 정보를 획득하고,
상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 상기 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하고,
상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 측정 형상 정보는,
솔더 페이스트의 부피 정보, 솔더 페이스트의 높이 정보 또는 솔더 페이스트의 면적 정보 중 적어도 하나를 포함하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 머신-러닝 기반 모델은,
미리 학습된 상기 복수의 개구들 각각을 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포를 나타내는 제1 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 상기 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습되는, 인쇄 회로 기판 검사 장치.
제3항에 있어서,
상기 머신-러닝 기반 모델은,
상기 제1 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구들을 통해 인쇄된 상기 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값을 도출하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 머신-러닝 기반 모델은,
미리 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 제2 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 인쇄된 상기 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습되는, 인쇄 회로 기판 검사 장치.
제5항에 있어서,
상기 머신-러닝 기반 모델은,
상기 제2 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구를 통해 인쇄된 상기 복수의 제2 솔더 페이스트가 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트가 상기 측정 형상 정보를 갖게 될 확률 값을 도출하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 프로세서는,
상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 상기 제1 솔더 페이스트에 이상이 있는 것으로 감지하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 프로세서는,
상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값이 개수가 설정된 개수 미만이 되는 경우, 상기 제1 솔더 페이스트에 이상이 없는 것으로 감지하는, 인쇄 회로 기판 검사 장치.
제1항에 있어서,
상기 인쇄 회로 기판에 대한 이미지를 획득하는 이미지 센서
를 더 포함하고,
상기 프로세서는,
상기 이미지 센서를 통해 획득되는 이미지를 통해 상기 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보를 획득하고,
상기 인쇄 회로 기판과 관련된 설계 정보를 통해 상기 복수의 개구들 각각의 개구 형상 정보를 획득하는, 인쇄 회로 기판 검사 장치.
컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서,
상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가,
스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 획득하는 단계;
상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하는 단계; 및
상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계
를 수행하도록 하는 실행 가능한 명령을 포함하고,
상기 머신-러닝 기반 모델은,
스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하는, 컴퓨터 판독 가능한 기록 매체.
제10항에 있어서,
상기 측정 형상 정보는,
솔더 페이스트의 부피 정보, 솔더 페이스트의 높이 정보 또는 솔더 페이스트의 면적 정보 중 적어도 하나를 포함하는, 컴퓨터 판독 가능한 기록 매체.
제10항에 있어서,
상기 머신-러닝 기반 모델은,
미리 학습된 상기 복수의 개구들 각각을 통해 인쇄된 솔더 페이스트들에 대한 측정 형상 정보에 대한 분포를 나타내는 제1 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 상기 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하도록 학습되는, 컴퓨터 판독 가능한 기록 매체.
제12항에 있어서,
상기 머신-러닝 기반 모델은,
상기 제1 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구들을 통해 인쇄된 상기 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값을 도출하는, 컴퓨터 판독 가능한 기록 매체.
제10항에 있어서,
상기 머신-러닝 기반 모델은,
미리 학습된 복수의 솔더 페이스트들 각각의 측정 형상 정보들 사이의 차이에 대한 분포를 나타내는 제2 정보에 기초하여, 상기 두 개의 개구들 각각을 통해 인쇄된 두 개의 솔더 페이스트들이 상기 인쇄 회로 기판에 인쇄되었을 때에 상기 두 개의 솔더 페이스트들이 상기 측정 형상 정보를 갖게 될 확률 값을 도출하도록 학습되는, 컴퓨터 판독 가능한 기록 매체.
제14항에 있어서,
상기 머신-러닝 기반 모델은,
상기 제2 정보에 기초하여, 상기 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 제2 개구를 통해 인쇄된 상기 복수의 제2 솔더 페이스트가 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트가 상기 측정 형상 정보를 갖게 될 확률 값을 도출하는, 컴퓨터 판독 가능한 기록 매체.
제10항에 있어서,
상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계는,
상기 획득된 확률 값들 중, 설정된 임계 값 이하가 되는 확률 값의 개수가 설정된 개수 이상이 되는 경우, 상기 제1 솔더 페이스트에 이상이 있는 것으로 감지하는
를 포함하는 컴퓨터 판독 가능한 기록 매체.
인쇄 회로 기판 검사 장치에서, 솔더 페이스트에 이상 여부를 감지하는 방법에 있어서,
스텐실에 형성된 복수의 개구들을 통해 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 획득하는 단계;
상기 복수의 솔더 페이스트들 각각에 대한 측정 형상 정보 및 상기 복수의 개구들 각각의 개구 형상 정보를 머신-러닝 기반 모델에 적용하여, 상기 복수의 개구들 중 제1 개구를 통해 인쇄된 제1 솔더 페이스트와 상기 복수의 개구들 중 상기 제1 개구가 아닌 제2 개구들을 통해 인쇄된 복수의 제2 솔더 페이스트들이 상기 제1 인쇄 회로 기판에 인쇄되었을 때에 상기 제1 솔더 페이스트와 상기 복수의 제2 솔더 페이스트들 각각이 상기 측정 형상 정보를 갖게 될 확률 값들을 획득하는 단계; 및
상기 획득된 확률 값들에 기초하여, 상기 제1 솔더 페이스트에 이상이 있는지 여부를 감지하는 단계
를 포함하고,
상기 머신-러닝 기반 모델은,
스텐실에 형성된 두 개의 개구들의 개구 형상 정보 및 상기 두 개의 개구들을 통해 인쇄 회로 기판에 인쇄된 두 개의 솔더 페이스트들 각각에 대한 측정 형상 정보를 이용하여, 상기 두 개의 솔더 페이스트들이 소정의 개구 형상을 갖는 두 개의 개구들에 의해 인쇄 회로 기판 상에 인쇄되었을 때에 상기 측정 형상 정보 각각을 갖게 될 확률 값을 도출하는, 솔더 페이스트 이상 여부 감지 방법.