KR20230064249A - 학습모델을 이용한 기판 검사 방법 - Google Patents

학습모델을 이용한 기판 검사 방법 Download PDF

Info

Publication number
KR20230064249A
KR20230064249A KR1020210149629A KR20210149629A KR20230064249A KR 20230064249 A KR20230064249 A KR 20230064249A KR 1020210149629 A KR1020210149629 A KR 1020210149629A KR 20210149629 A KR20210149629 A KR 20210149629A KR 20230064249 A KR20230064249 A KR 20230064249A
Authority
KR
South Korea
Prior art keywords
inspection
image
model
learning
brightness
Prior art date
Application number
KR1020210149629A
Other languages
English (en)
Inventor
오상민
유상혁
이진호
Original Assignee
주식회사 크레셈
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 크레셈 filed Critical 주식회사 크레셈
Priority to KR1020210149629A priority Critical patent/KR20230064249A/ko
Publication of KR20230064249A publication Critical patent/KR20230064249A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 촬영이미지를 이용하여 생성된 양품 선별 검사모델에 검사 이미지를 입력하여 기판의 양불 상태를 검사하되, 검사 대상 기판의 검사 이미지와 검사모델의 촬영이미지간 밝기 차이로 인한 검사 오류를 방지할 수 있도록 해 주는 기술에 관한 것이다.
본 발명에 따른 학습모델을 이용한 기판 검사 방법은, 기판 검사 장치에서 다수의 학습 이미지를 이용하여 기판의 양불상태를 검사하기 위한 검사모델을 생성하는 제1 단계와, 검사모델에 이용된 적어도 하나의 학습 이미지를 선택하고, 선택된 학습 이미지에서 그라운드 영역의 밝기값을 분석하여 모델 밝기값으로 등록하는 제2 단계, 카메라를 통해 촬영된 검사 대상 기판의 검사 이미지에서 그라운드 영역내 관심영역 이미지를 추출하고, 관심영역 이미지의 밝기값을 획득하는 제3 단계, 모델 밝기값과 관심영역 밝기값 간의 차이를 근거로 밝기 보정값을 산출하는 제4 단계 및, 밝기 보정값을 반영하여 검사모델을 이용한 기판 검사를 수행하는 제5 단계를 포함하여 구성되는 것을 특징으로 한다.

Description

학습모델을 이용한 기판 검사 방법 {Method for inspection of board using learning model}
본 발명은 촬영이미지를 이용하여 생성된 양품 선별 검사모델에 검사 이미지를 입력하여 기판의 양불 상태를 검사하되, 검사 대상 기판의 검사 이미지와 검사모델의 촬영이미지간 밝기 차이로 인한 검사 오류를 방지할 수 있도록 해 주는 기술에 관한 것이다.
최근 인쇄회로기판(PCB, Printed Circuit Board)과 부품, 반도체 소자, SMT, 바이오 등의 각종 분야에서 해당 검사대상 물품의 불량 여부를 검사하는 방법이 광범위하게 실시되고 있다.
예컨대, 반도체 기술 발달에 따라 반도체 배선 폭이 나노(Nano) 단위까지 감소되고 있어 반도체를 안착시키는 인쇄회로기판의 배선 폭은 더욱 감소하게 되었으며, 반도체의 다양한 기능 확대로 인하여 반도체 핀의 수는 증가하게 되면서 이러한 반도체 PCB에 대하여 정상/불량을 명확하게 검사하는 것이 반도체가 포함된 전체 시스템의 신뢰성 향상을 위하여 매우 중요하게 되었다.
이러한 불량 검사 중 하나인 비전검사(Vision inspection)는 검사대상 물품의 외관 상태를 검사하기 위해 주로 사용되는데, 이러한 비전검사 방식은 검사대상 물품을 카메라를 통해 촬영하고, 촬영된 영상을 학습모델에 입력하여 해당 검사대상 물품을 양품과 불량품으로 분류하게 된다.
이때, 학습모델은 미리 오류가 없는 양품이미지들과 오류가 존재하는 불량품이미지들을 학습데이터로 이용하여 생성되고, 입력되는 촬영 이미지가 양품이미지인지 또는 불량품이미지인지의 결과를 출력하게 된다.
한편, 인쇄회로기판(PCB : Printed Circuit Board)은 안팎으로 동을 붙인 적층판을 재료로 하여 배선 패턴 필름을 사용하여 표면을 감광성 수지막에 노광하고, 이 감광성 수지의 특성을 사용하여 동을 원하는 패턴으로 에칭한 후, 포토 솔더 레지스트(PSR, Photo-imageable Solder Resist)를 사용하여 코팅처리함으로써, 배선 패턴(도금 패턴)을 형성한다. 그리고, 이러한 인쇄회기판의 생산은 서로 다른 장비에서 동시 다발적으로 이루어진다.
그런데, 동일한 색상의 동박을 이용하여 인쇄회로기판을 생성하더라도, 에칭공정시의 산도 및 PSR 코팅 두께 등의 표면처리과정에서 색차가 발생하게 된다.
즉, 인쇄회기기판에는 통상 넓은 동박 영역(그라운드 영역)이 형성되는데, 동박 재료 또는 공정상의 차이로 그 색상이 달라지는 경우가 발생할 수 있다.
예컨대, 검사 패턴은 동일한데 동박 영역의 색차가 발생한 경우, 학습된 이정 밝기의 학습 이미지를 사용하여 기판의 양불 상태를 검사하면, 양품의 검사 패턴을 갖는 검사 대상 기판을 불량품으로 판정하는 등의 검사 정확도가 현저하게 낮아지는 문제가 발생한다. 이는 딥러닝 기법으로 이미지 학습시 이미지 전체에 대해 학습을 하므로 넓은 동박 영역의 색상이 달라지는 경우, 기존 학습 데이터를 활용할 수 없게 되는 결과를 가져오기 때문이다.
이러한 문제를 해결하기 위해 검사 패턴이 동일하고 동박 영역의 밝기가 다른 경우에도 각각의 학습데이터로 이용하여 학습모델을 생성하는 방법을 사용하고 있으나, 이는 동박 영역의 밝기가 다른 이미지가 나타날때마다 학습모델을 새롭게 업데이트해야하는 번거로움이 있다.
1. 한국등록특허 제10-2171491호 (명칭 : 딥러닝을 이용한 양품 선별 방법) 2. 한국공개특허 제10-2021-0038143호 (명칭 : 인공지능(AI) 기반 대상물 검사 시스템 및 방법)
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 동박이 제1 밝기를갖는 검사대상에 대한 학습 데이터가 존재하는 경우, 동박이 제2 밝기를 갖는 검사대상 검사시 검사 이미지와 학습 데이터간 밝기 차이에 대응되게 검사 이미지 또는 학습 데이터를 보정하여 검사를 수행함으로써, 새로운 학습을 수행하지 않고서도 밝기 편차에 영향 받지 않고 기판 검사를 정확하게 수행할 수 있도록 해 주는 학습모델을 이용한 기판 검사 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 기판 검사 장치에서 다수의 학습 이미지를 이용하여 기판의 양불상태를 검사하기 위한 검사모델을 생성하는 제1 단계와, 검사모델에 이용된 적어도 하나의 학습 이미지를 선택하고, 선택된 학습 이미지에서 그라운드 영역의 밝기값을 분석하여 모델 밝기값으로 등록하는 제2 단계, 카메라를 통해 촬영된 검사 대상 기판의 검사 이미지에서 그라운드 영역내 관심영역 이미지를 추출하고, 관심영역 이미지의 밝기값을 획득하는 제3 단계, 모델 밝기값과 관심영역 밝기값 간의 차이를 근거로 밝기 보정값을 산출하는 제4 단계 및, 밝기 보정값을 반영하여 검사모델을 이용한 기판 검사를 수행하는 제5 단계를 포함하여 구성되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 제2 단계에서 모델 밝기값을 분석하기 위한 학습 이미지는 양품 결과를 갖는 학습 이미지 중 검사모델 적용시 일치율이 높은 적어도 하나의 학습 이미지로 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 제2 단계와 제3 단계에서 학습 이미지와 검사 이미지가 컬러이미지인 경우 R,G,B채널별 밝기값을 모두 산출하고, 상기 제4 단계에서 학습 이미지와 검사 이미지의 적어도 하나의 R,G,B채널별 비율 또는 차이값을 근거로 밝기 보정값을 결정하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 3단계에서 검사 이미지의 관심영역은 ODB 이미지를 근거로 그라운드 영역을 탐색하여 자동으로 설정되거나, 관리자에 의해 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 근거로 검사 이미지의 밝기값을 보정하고, 보정된 검사 이미지를 제1 단계에서 생성된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 검사모델에 반영하고, 상기 제3 단계에서 촬영된 검사 이미지를 보정된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
또한, 상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 기존 학습이미지들에 적용하여 보정하고, 보정된 학습이미지들을 이용하여 재학습을 수행함으로써 검사모델을 갱신하며, 상기 제3 단계에서 촬영된 검사 이미지를 갱신된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법이 제공된다.
본 발명에 의하면, 학습 이미지에 기반하여 생성된 학습모델을 통해 기판 검사를 수행함에 있어서, 학습 이미지와 검사 이미지간의 밝기값 차이로 인해 정상 검사 대상 기판을 불량으로 판정하는 오류를 방지함으로써, 동박 영역의 밝기값 차이로 인해 학습모델의 양품 선별 정확도가 저하되는 것을 방지할 수 있다.
도1은 본 발명이 적용되는 따른 학습모델을 이용한 기판 검사 장치의 개략적인 구성을 도시한 도면.
도2는 본 발명의 제1 실시예에 따른 학습모델을 이용한 기판 검사 방법을 설명하기 위한 도면.
도3은 도2에 도시된 밝기 보정값 생성 과정을 예시한 도면.
이하에서는 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호로 나타내고 있음을 유의해야 한다. 한편, 이에 앞서 본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도1은 본 발명이 적용되는 학습모델을 이용한 기판 검사 장치의 개략적인 구성을 도시한 도면이다.
도1을 참조하면, 본 발명이 적용되는 학습모델을 이용한 기판 검사 장치는, 카메라(100)와 정보 입출력부(200), 검사모델 저장부(300), 모델 밝기값 결정부(400), 관심영역 결정부(500), 데이터 메모리(600) 및, 검사 제어부(700)를 포함한다.
카메라(100)는 검사 대상 기판을 촬영하여 검사 이미지를 획득한다. 이때, 검사 이미지는 흑백이미지이거나 컬러이미지가 될 수 있으며, 검사 대상 기판의 전체 영역에 대한 이미지이거나 또는 일정 크기로 분할된 단위 영역에 대한 이미지가 될 수 있다.
정보 입출력부(200)는 관리자와 인터페이스하기 위한 수단으로 관리자에 의해 입력되는 기판 검사 관련 정보를 등록하거나, 기판 검사 결과정보를 출력한다.
검사모델 저장부(300)는 검사 대상 기판의 양품 검사 이미지 또는 불량 검사 이미지를 학습 데이터로 딥러닝 학습하여 검사 대상 기판의 정상 또는 불량을 판정할 수 있도록 하는 검사모델을 저장한다.
즉, 양품 검사 이미지 또는 불량 검사 이미지를 학습데이터로서 일련의 학습 과정을 통해 검사모델이 수립되고, 수립된 검사모델에 검사 대상 기판의 검사 이미지를 입력하여 그 학습 결과에 따라 검사 대상 기판의 불량 여부를 판정하게 된다.
모델 밝기값 결정부(400)는 검사모델로 이용되는 학습 데이터 즉, 다수의 학습 이미지들 중 하나 이상의 학습 이미지를 선별하고, 선별된 학습 이미지에서 동박 영역 즉, 그라운드 영역의 밝기값을 산출하여 모델 밝기값을 결정한다.
이때, 모델 밝기값 결정부(400)는 학습 이미지에서 그라운드 영역은 기 등록된 ODB 이미지를 근거로 추출하고, 추출된 그라운드 영역에서 기 설정된 크기의 관심영역을 추출하여 관심영역의 밝기값을 산출한다.
또한, 모델 밝기값 결정부(400)는 양품 결과를 갖는 학습 이미지 중 검사모델 적용시 일치율이 높은 적어도 하나의 학습 이미지를 모델 밝기값을 분석하기 위한 학습 이미지로 결정할 수 있다.
또한, 모델 밝기값 결정부(400)는 다수 학습 이미지의 그라운드 영역 밝기값의 평균값을 모델 밝기값으로 결정할 수 있다.
또한, 모델 밝기값 결정부(400)는 학습 이미지가 컬러 이미지인 경우 R(Red)채널 밝기값과 G(Green)채널 밝기값 및 B(Blue)채널 밝기값 중 적어도 한 채널 이상의 밝기값을 이용하여 모델 밝기값을 결정할 수 있다.
예컨대, R채널 밝기값과 G채널 밝기값 및 B채널 밝기값을 모델 밝기값으로 각각 결정하거나 R채널 밝기값과 G채널 밝기값 및 B채널 밝기값 중 2개 이상 채널의 밝기값의 평균값을 모델 밝기값으로 결정할 수 있다.
관심영역 결정부(500)는 기 등록된 해당 검사대상기판의 ODB 이미지를 근거로 검사 이미지에서 그라운드 영역을 탐색하고, 탐색된 그라운드 영역에서 기 설정된 이미지크기가 확보되는 영역을 관심영역으로 결정한다.
이때, 관심영역 결정부(500)는 검사 이미지를 정보 입출력부(200)로 출력하여 관리자에 의해 선택된 영역을 관심영역으로 결정할 수 있으며, 관심영역의 크기는 관리자가 해당 검사 이미지의 그라운드 영역 크기 및 형상에 따라 임의로 설정할 수 있다.
데이터 메모리(600)는 검사 대상 기판의 ODB 이미지와, 관심영역 이미지크기를 포함하여 검사 제어부(700)에서 처리되는 정보 및 검사 프로그램을 구동하기 위한 각종 정보를 저장한다.
검사 제어부(700)는 카메라(100)를 통해 촬영된 검사 대상 기판의 검사 이미지의 밝기값과 기 등록된 모델 밝기값간의 비율 또는 차이에 대응되도록 검사 이미지 또는 검사모델의 밝기값을 보정한 후, 검사모델에 검사 이미지를 입력하여 일련의 검사 대상 기판에 대한 양불 선별 검사를 수행한다. 즉 검사 제어부(700)는 검사모델의 출력결과를 검사 대상 기판의 양품 또는 불량품의 검사 결과로서 정보 입출력부(200)를 통해 출력하도록 제어한다.
즉, 검사 제어부(700)는 검사 이미지의 그라운드 영역 중 기 설정된 위치의 관심영역 이미지를 추출하고, 추출된 관심영역 이미지의 관심영역 밝기값과 모델 밝기값을 비교하여 그 비율 또는 차이에 해당하는 보정값을 산출하며, 산출된 보정값을 검사 이미지에 적용하여 보정된 검사 이미지를 학습모델에 입력함으로써, 검사 동작을 수행하도록 제어할 수 있다.
또한, 검사 제어부(700)는 관심영역 이미지의 관심영역 밝기값과 모델 밝기값의 차이에 해당하는 보정값을 근거로 검사모델의 밝기값을 보정한 후, 검사 이미지를 보정된 검사모델에 입력하여 검사동작을 수행할 수 있다.
또한, 검사 제어부(700)는 관심영역 이미지의 관심영역 밝기값과 모델 밝기값의 차이에 해당하는 보정값을 근거로 학습 이미지들을 보정하고, 보정된 학습 이미지를 이용하여 재학습함으로써, 학습모델을 갱신할 수 있다.
도2는 본 발명의 제1 실시예에 따른 학습모델을 이용한 기판 검사 방법을 설명하기 위한 도면으로, 도1에 도시된 학습모델을 이용한 기판 검사 장치의 동작을 근거로 설명한다.
먼저, 검사 제어부(700)는 검사모델 생성을 위한 양품 또는 불량품의 결과를 갖는 학습 이미지를 수집하고, 이를 이용하여 기판의 양불 판정을 위한 검사 모델을 생성한다(ST100).
이때, 학습 이미지는 데이터메모리(300) 또는 학습모델 저장부(300)에 저장된다.
또한, 검사 제어부(700)는 상기 ST100 단계에서 생성된 검사 모델의 학습데이터로 이용된 학습 이미지들 중 적어도 하나의 학습 이미지를 선택하고, 선택된 학습 이미지를 모델 밝기값 결정부(300)로 제공한다.
그리고, 모델 밝기값 결정부(400)는 선택된 학습 이미지에서 그라운드 영역의 밝기값을 산출하여 모델 밝기값으로 등록한다(ST200).
이때, 모델 밝기값 결정부(400)는 학습 이미지와 해당 기판의 ODB 이미지를 비교하여 그라운드 영역을 추출하고, 추출된 그라운드 영역에서 기 설정된 이미지 크기의 관심영역의 밝기값을 분석할 수 있다.
또한, 모델 밝기값 결정부(400)는 학습 이미지를 정보 입출력부(200)를 통해 출력하여 관리자가 관심영역을 선택하도록 구성하는 것도 가능하다.
상기한 상태에서 카메라(100)를 통해 검사 대상 기판의 검사 이미지가 촬영되어 수신되면, 검사 제어부(700)를 해당 검사 이미지를 관심영역 결정부(500)로 전송하여 검사 이미지에서 관심영역 이미지를 추출한다(ST300).
상기 ST300 단계에서 관심영역 결정부(500)는 검사 이미지에서 해당 기판의 ODB 이미지를 비교하여 그라운드 영역을 추출하고, 추출된 그라운드 영역에서 기 설정된 이미지 크기의 관심영역을 설정한다.
이때, 검사 이미지의 그라운드 영역에서 기 설정된 이미지 크기가 확보되지 않는 경우, 해당 검사 이미지를 정보 입출력부(200)로 출력하여 관리자에 의해 그라운드 영역내에서 관심영역을 임의로 설정하도록 실시할 수 있다.
이어, 검사 제어부(700)는 검사 이미지의 관심영역의 밝기값을 분석하여 획득하고(ST400). 검사 이미지의 관심영역 밝기값과 모델 밝기값을 비교하여 관심영역 밝기값과 모델 밝기값간의 비율 또는 차이값을 산출하고, 이를 기반으로 밝기 보정값을 결정한다(ST500).
상기 ST500 단계에서 검사 제어부(700)는 검사 이미작 컬러 이미지인 경우, 해당 검사 이미지에 Mean 필터를 적용하여 R,G,B 채널 이미지를 생성하고, 각 채널이미지에서 관심영역 밝기값을 산출한다.
즉, 밝기 보정값은 적어도 하나의 R,G,B 채널별 모델 밝기값 대비 관심영역 밝기값의 비율 또는 모델 밝기값과 관심영역 밝기값 간의 차이값을 근거로 산출할 수 있다.
그리고, 검사 제어부(700)는 밝기 보정값을 반영하여 학습모델을 이용한 기판 검사를 수행한다(ST600). 이때, 검사 제어부(700)는 검사 이미지를 보정하거나 학습모델을 보정하여 기판 검사를 수행한다.
예컨대, 검사 제어부(700)는 도3에 도시된 바와 같이, 학습 이미지(A)의 그라운드 영역(P1) 밝기값이 R:207, G:154, B:125 이고, 검사 이미지(B)의 관심영역(P2) 밝기값이 R:237, G: 169, B:148 인 경우, R 보정계수(237/207=1.1144927)와 G 보정계수(169/154=1.097402) 및 B 보정계수(148/125=1.184000)을 산출한다. 그리고, 이 들 각각을 채널별 보정값으로 결정하거나 또는 이들의 평균값((1.1144927+1.097402+1.184000)/3=1.1421096667)을 보정값으로 결정하여 검사 이미지의 밝기값을 보정함으로써, 보정된 검사 이미지(C)를 생성하며, 이를 기존 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 상태를 판정할 수 있다.
또한, 검사 제어부(700)는 보정값을 근거로 검사모델의 밝기값을 보정하고 보정된 검사모델에 카메라(100)에 의해 촬영된 검사 이미지를 입력하여 해당 검사 대상 기판에 대한 양불 상태를 판정할 수 있다.
또한, 검사 제어부(700)는 보정값을 근거로 기존 학습이미지들을 보정하고, 보정된 학습이미지들을 이용하여 재학습을 수행함으로써 검사모델을 갱신하며, 갱신된 검사모델에 카메라(100)에 의해 촬영된 검사 이미지를 입력하여 해당 검사 대상 기판에 대한 양불 상태를 판정할 수 있다.
즉, 상기 실시예에 의하면 학습 이미지에 기반하여 생성된 학습모델을 이용하여 기판 검사를 수행함에 있어서, 학습 이미지와 검사 이미지간의 밝기값 차이로 인해 정상 검사 대상 기판을 불량으로 판정하는 오류를 방지할 수 있다.
100 : 카메라, 200 : 정보 입출력부,
300 : 검사모델 저장부, 400 : 모델 밝기값 결정부,
500 : 관심영역 결정부, 600 : 데이터메모리,
700 : 검사 제어부.

Claims (7)

  1. 기판 검사 장치에서 다수의 학습 이미지를 이용하여 기판의 양불상태를 검사하기 위한 검사모델을 생성하는 제1 단계와,
    검사모델에 이용된 적어도 하나의 학습 이미지를 선택하고, 선택된 학습 이미지에서 그라운드 영역의 밝기값을 분석하여 모델 밝기값으로 등록하는 제2 단계,
    카메라를 통해 촬영된 검사 대상 기판의 검사 이미지에서 그라운드 영역내 관심영역 이미지를 추출하고, 관심영역 이미지의 밝기값을 획득하는 제3 단계,
    모델 밝기값과 관심영역 밝기값 간의 차이를 근거로 밝기 보정값을 산출하는 제4 단계 및,
    밝기 보정값을 반영하여 검사모델을 이용한 기판 검사를 수행하는 제5 단계를 포함하여 구성되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  2. 제1항에 있어서,
    상기 제2 단계에서 모델 밝기값을 분석하기 위한 학습 이미지는 양품 결과를 갖는 학습 이미지 중 검사모델 적용시 일치율이 높은 적어도 하나의 학습 이미지로 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  3. 제1항에 있어서,
    상기 제2 단계와 제3 단계에서 학습 이미지와 검사 이미지가 컬러이미지인 경우 R,G,B 채널별 밝기값을 모두 산출하고,
    상기 제4 단계에서 학습 이미지와 검사 이미지의 적어도 하나의 R,G,B 채널별 비율 또는 차이값을 근거로 밝기 보정값을 결정하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  4. 제1항에 있어서,
    상기 3단계에서 검사 이미지의 관심영역은 ODB 이미지를 근거로 그라운드 영역을 탐색하여 자동으로 설정되거나, 관리자에 의해 설정되는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  5. 제1항에 있어서
    상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 근거로 검사 이미지의 밝기값을 보정하고, 보정된 검사 이미지를 제1 단계에서 생성된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  6. 제1항에 있어서,
    상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 검사모델에 반영하고, 상기 제3 단계에서 촬영된 검사 이미지를 보정된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
  7. 제1항에 있어서,
    상기 제5 단계에서 기판 검사 장치는 밝기 보정값을 기존 학습이미지들에 적용하여 보정하고, 보정된 학습이미지들을 이용하여 재학습을 수행함으로써 검사모델을 갱신하며, 상기 제3 단계에서 촬영된 검사 이미지를 갱신된 검사모델에 입력하여 해당 검사 대상 기판에 대한 양불 검사를 수행하는 것을 특징으로 하는 학습모델을 이용한 기판 검사 방법.
KR1020210149629A 2021-11-03 2021-11-03 학습모델을 이용한 기판 검사 방법 KR20230064249A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210149629A KR20230064249A (ko) 2021-11-03 2021-11-03 학습모델을 이용한 기판 검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210149629A KR20230064249A (ko) 2021-11-03 2021-11-03 학습모델을 이용한 기판 검사 방법

Publications (1)

Publication Number Publication Date
KR20230064249A true KR20230064249A (ko) 2023-05-10

Family

ID=86386339

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210149629A KR20230064249A (ko) 2021-11-03 2021-11-03 학습모델을 이용한 기판 검사 방법

Country Status (1)

Country Link
KR (1) KR20230064249A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171491B1 (ko) 2017-12-21 2020-10-29 동의대학교 산학협력단 딥러닝을 이용한 양품 선별 방법
KR20210038143A (ko) 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171491B1 (ko) 2017-12-21 2020-10-29 동의대학교 산학협력단 딥러닝을 이용한 양품 선별 방법
KR20210038143A (ko) 2019-09-30 2021-04-07 (주)쎄미시스코 인공지능(ai) 기반 대상물 검사 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11176635B2 (en) Automatic programming of solder paste inspection system
US7822566B2 (en) Method, device and program for setting a reference value for substrate inspection
US20050190361A1 (en) Apparatus for surface inspection and method and apparatus for inspecting substrate
KR20230027500A (ko) 학습모델을 이용한 기판 검사 방법
WO2012067041A1 (ja) 基板上の異物検査方法および異物検査装置
KR101132779B1 (ko) 검사방법
WO2010044358A1 (ja) ウェハのパターン検査方法及び装置
KR20000022946A (ko) 탄성 모델을 이용한 인쇄 품질의 자동 검사 방법
CN114022436B (zh) 一种印制电路板的检测方法、装置及检测设备
CN109712115B (zh) 一种pcb板自动检测方法及系统
CN117589770A (zh) Pcb贴片板检测方法、装置、设备及介质
KR20230064249A (ko) 학습모델을 이용한 기판 검사 방법
JP2768344B2 (ja) パターン検査装置およびその検査方法
KR102170352B1 (ko) 인쇄회로기판의 홀 검사 장치 및 방법
JPS5734402A (en) Inspecting method for defect in circuit pattern
JP2006284543A (ja) 実装回路基板検査方法および実装回路基板検査装置
WO2008124392A1 (en) 2d/3d inspection method and system
Acciani et al. Automatic detection of solder joint defects on integrated circuits
JP2903305B2 (ja) 実装部品検査方法及び実装部品検査装置
JPH05256791A (ja) 基板の欠陥検査装置
KR102668045B1 (ko) 기판 검사 방법
JPH06258244A (ja) 実装部品検査用データの教示方法
JPH09145334A (ja) 実装部品検査方法およびその装置
JPH06174444A (ja) ディスクリート型電子部品のはんだ形態検査方法
JP3524254B2 (ja) パターンマッチング方法による被検査基板の位置ずれ検出方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal