KR20230132083A - 기판 검사 방법 - Google Patents

기판 검사 방법 Download PDF

Info

Publication number
KR20230132083A
KR20230132083A KR1020220029145A KR20220029145A KR20230132083A KR 20230132083 A KR20230132083 A KR 20230132083A KR 1020220029145 A KR1020220029145 A KR 1020220029145A KR 20220029145 A KR20220029145 A KR 20220029145A KR 20230132083 A KR20230132083 A KR 20230132083A
Authority
KR
South Korea
Prior art keywords
inspection
learning
substrate
defective
image
Prior art date
Application number
KR1020220029145A
Other languages
English (en)
Inventor
오상민
유상혁
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 KR1020220029145A priority Critical patent/KR20230132083A/ko
Publication of KR20230132083A publication Critical patent/KR20230132083A/ko

Links

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
    • G01N21/8851—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
    • G01N2021/8883—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 involving the calculation of gauges, generating models

Landscapes

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

Abstract

본 발명은 룰 기반 검사에서 불량으로 판정된 검사 이미지에 대해 학습모델을 이용하여 학습 기반 검사를 수행하되, 학습 기반 검사에서 오검출률이 높은 검사 항목은 학습 기반 검사에서 제외하여 가성 불량률을 최소화할 수 있도록 해 주는 기술에 관한 것이다.
본 발명에 따른 기판 검사 방법은, 기판 검사 장치가 학습 기반 검사에서 오검률이 기준값 이상인 검사 항목을 학습 기반 검사 제외대상으로 설정하는 제1 단계와, 검사 대상 기판의 검사 이미지에 대한 룰 기반 검사를 수행하는 제2 단계 및, 룰 기반 검사 결과가 불량으로 판정된 경우, 학습 기반 검사 제외 대상으로 설정되지 않은 검사 항목에 대하여 검사 이미지를 이용한 학습 기반 검사를 수행하는 제3 단계를 포함하여 구성되는 것을 특징으로 한다.

Description

기판 검사 방법 {BOARD INSPECTION METHOD}
본 발명은 룰 기반 검사에서 불량으로 판정된 검사 이미지에 대해 학습모델을 이용하여 학습 기반 검사를 수행하되, 학습 기반 검사에서 오검출률이 높은 검사 항목은 학습 기반 검사에서 제외하여 가성 불량률을 최소화할 수 있도록 해 주는 기술에 관한 것이다.
인쇄회로기판(PCB, Printed Circuit Board)은 각종 전자부품을 표면에 실장하여 최종 회로를 구성하는 기판으로 반도체, 멀티미디어 기기, 통신기기, 각종 전자제품, 자동차 등 관련 산업에서 광범위하게 사용되고 있다.
이러한 인쇄회로기판의 일반적인 제조 과정을 간략히 언급하자면, 안팎으로 동을 붙인 적층판을 재료로 하여 배선 패턴 필름을 사용하여 표면을 감광성 수지막에 노광하고, 이 감광성 수지의 특성을 사용하여 동을 원하는 패턴으로 에칭하여 배선 패턴(도금 패턴)을 형성한다. 이후 프레스기를 이용하여 패턴측과 절연층을 적층하고, 패턴층간의 전기적 접속을 위해 구멍을 형성한 후, 상기 구멍을 통하여 적층된 여러 층 사이를 전기적으로 연결시킨다. 이후 공기에 접해 동이 산화하는 것을 막거나 외적인 충격으로 동이 벗겨지는 것을 막거나 금속으로 인한 쇼트방지를 위해 포토 솔더 레지스트(PSR부, Photo-imageable Solder Resist)를 사용하여 배선 부분 등을 커버한다.
이후 인쇄회로기판을 검사하는 단계를 수행하게 된다.
한편, 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.
통상적으로 인쇄회로기판은 제조가 완료되면 CO2 등을 이용한 클리닝 공정을 거친 후 프린팅된 회로패턴에 대한 검사가 수행되고, 검사가 완료된 기판은 불량 여부에 따라 양품과 불량품으로 분류된 후에 양품에 대한 레이저 마킹 공정을 수행하게 된다.
이러한 PCB 검사는 일반적으로 비전 검사 방식으로 이루어지는데, 이는 검사대상 PCB를 카메라를 통해 촬영하고, 촬영된 2D 컬러 영상을 규칙기반 방식으로 비교하여 해당 검사대상 PCB를 양품과 불량품으로 분류하게 된다.
한편, 최근에는 학습모델을 이용하여 검사대상 PCB을 양품과 불량품으로 분류하는 기술이 시도되고 있다. 이때, 학습모델은 미리 오류가 없이 제작하여 촬영된 기판의 기준 영상을 검사대상기판의 컬러 영상과 비교하여 불량 여부를 판정하거나, 미리 촬영된 다양한 불량 기판 영상을 학습데이터로 하여 검사대상기판의 컬러 영상과 비교하여 불량 여부를 판정하는 것으로, 기존 규칙기반 검사방법에 비해 보다 상세한 비교에 따른 검사결과를 제공한다.
그러나, 학습모델은 사람의 눈에 최적화된 방식으로 기판의 표면 상태를 검사하는 알고리즘으로, 기판의 품질 상태와 상관없는 얼룩 등의 형성으로 인한 색상이나 밝기 특성에 의해 양품을 불량품으로 판단하는 문제가 있다.
이와 관련하여 선행문헌1(한국 등록특허 제10-2208551호)과 선행문헌2(일본 등록특허 제 6630912호)에는 룰 베이스 검사와 학습모델을 이용한 검사를 동시에 수행하는 구성이 개시되어 있다.
선행문헌1에는 검사 항목별 룰 베이스 검사와 학습모델을 이용한 검사를 선택적으로 수행하는 구성이 개시되어 있고, 선행문헌2에는 학습모델을 이용한 검사에서 불량으로 판정된 경우 룰 베이스 검사를 수행하는 구성이 개시되어 있다.
그러나, 상기한 선행문헌들은 모두 검사 이미지를 그대로 학습모델에 입력하여 학습 기반 검사를 수행하는 것으로, 검사 대상 기판 상에 형성된 얼룩 등으로 인한 가성불량의 문제는 여전히 남아 있다.
1. 한국 등록특허 제10-2208551호 (명칭 : 외관 검사 시스템) 2. 일본 등록특허 제 6630912호 (명칭 : 검사 장치 및 검사 방법)
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 검사 이미지를 이용한 룰 기반 검사에서 불량으로 판정된 경우, 학습 기반 검사를 통한 보다 상세한 기판 검사를 수행하여 기판의 양불 상태를 결정하되, 학습 기반 검사에서 오검출률이 높은 검사 이미지의 특정 영역이나 불량 유형은 학습 기반 검사에서 제외시킴으로써, 학습 기반 검사에 의해 발생되는 가성 불량률을 최소화할 수 있도록 해 주는 기판 검사 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 기판 검사 장치가 학습 기반 검사에서 오검률이 기준값 이상인 검사 항목을 학습 기반 검사 제외대상으로 설정하는 제1 단계와, 검사 대상 기판의 검사 이미지에 대한 룰 기반 검사를 수행하는 제2 단계 및, 룰 기반 검사 결과가 불량으로 판정된 경우, 학습 기반 검사 제외 대상으로 설정되지 않은 검사 항목에 대하여 검사 이미지를 이용한 학습 기반 검사를 수행하는 제3 단계를 포함하여 구성되는 것을 특징으로 하는 기판 검사 방법이 제공된다.
또한, 상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 일정 영역을 학습 기반 검사 제외대상으로 설정하고, 상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정된 경우, 해당 검사 이미지에서 학습 기반 검사 제외대상 영역을 마스킹하여 학습 검사이미지를 생성한 후, 학습 검사 이미지를 학습모델에 입력하여 마스킹된 영역을 제외한 나머지 영역에 대한 학습 기반 검사를 수행하는 것을 특징으로 하는 기판 검사 방법이 제공된다.
또한, 상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 불량 유형정보를 학습 기반 검사 제외대상으로 설정하도록 구성되고, 상기 제2 단계에서 룰 기반 검사 결과 출력시 불량 검사 결과정보는 불량 유형정보를 포함하며, 상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정되고, 해당 불량 유형이 학습 기반 검사 제외대상 불량 유형에 해당하는 경우에는 학습 검사이미지를 생성하지 않고, 해당 검사 대상 기판에 대한 정밀 광학 검사를 수행하는 것을 특징으로 하는 기판 검사 방법이 제공된다.
또한, 상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 일정 영역을 추가로 학습 기반 검사 제외대상으로 설정하고, 상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정되고, 해당 불량 유형이 학습 기반 검사 제외대상 불량 유형에 해당하지 않는 경우에는 해당 검사 이미지에서 학습 기반 검사 제외대상 영역을 마스킹하여 학습 검사이미지를 생성한 후, 학습 검사 이미지를 학습모델에 입력하여 마스킹된 영역을 제외한 나머지 영역에 대한 학습 기반 검사를 수행하는 것을 특징으로 하는 기판 검사 방법이 제공된다.
또한, 상기 제3 단계에서 학습 기반 검사 결과가 불량으로 판정된 경우, 해당 학습 기반 검사 결과에 대한 가성불량 여부를 확인하고, 가성불량으로 확인된 학습 검사 이미지의 불량 판단 영역 또는 불량 판단 유형을 학습 기반 검사 제외 대상으로 추가 설정하는 것을 특징으로 하는 기판 검사 방법이 제공된다.
본 발명에 의하면, 룰 기반 검사를 통해 불량으로 판정된 검사이미지에 대해서는 학습 기반 검사를 추가로 수행하여 해당 검사 대상 기판에 대한 불량 여부를 결정하되, 학습 기반 검사에서 오검출률이 높은 영역은 학습 기반 검사에서 제외시킴으로써, 룰 기반 검사의 검사 오류를 방지함은 물론, 학습 기반 검사시 발생되는 가성불량률을 최소화하여 검사 품질을 향상시킬 수 있다.
또한, 본 발명에 의하면 학습 기반 검사에서 가성불량률이 높은 불량 유형에 대해서는 룰 기반 검사에서 불량으로 판정된 검사 이미지에 대한 학습 기반 검사를 수행하지 않고 해당 검사 대상 기판에 대한 정밀 광학 검사를 통해 기판의 양불 상태를 결정함으로써, 학습 기반 검사로 인한 오검률을 보다 최소화할 수 있다.
도1은 본 발명이 적용되는 기판 검사 장치의 개략적인 구성을 도시한 블록구성도.
도2는 본 발명의 제1 실시예에 따른 기판 검사 방법을 설명하기 위한 흐름도.
도3은 도2에서 생성되는 학습 검사이미지를 예시한 도면.
도4는 본 발명의 제2 실시예에 따른 기판 검사 방법을 설명하기 위한 흐름도.
도5는 학습 기반 검사에서 얼룩으로 인해 불량으로 판정된 검사 이미지를 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 기판 검사 장치의 개략적인 구성을 도시한 도면이다.
도1을 참조하면, 본 발명이 적용되는 기판 검사 장치는, 정보 입출력부(100), 카메라(200)와, 룰 기반 검사부(300), 학습 검사이미지 생성부(400), 학습 기반 검사부(500), 데이터 저장부(600) 및, 검사 제어부(700)를 포함한다.
정보 입출력부(100)는 관리자에 의해 입력되는 기판 검사 관련 정보를 등록하거나, 기판 검사 결과정보를 출력한다.
카메라(200)는 검사 대상 기판을 촬영하여 컬러 이미지를 획득한다. 이때, 컬러 이미지는 검사 대상 기판의 전체 영역에 대한 이미지이거나 또는 일정 크기의 단위 영역에 대한 이미지가 될 수 있다.
룰 기반 검사부(300)는 기 등록된 양품 이미지와 카메라(200)를 통해 촬영된 검사 이미지를 규칙기반(rull-base) 방식으로 검사하여 검사이미지에 대한 불량 여부를 판단한다.
학습 검사이미지 생성부(400)는 카메라(200)에서 촬영된 검사이미지에서 기 등록된 학습 기반 검사 제외 영역을 마스킹처리한 형태의 학습 검사이미지를 생성한다.
학습 기반 검사부(500)는 검사 대상 기판의 양품 검사 이미지 또는 불량 검사 이미지를 학습 데이터로 딥러닝 학습하여 검사 대상 기판의 불량 여부를 판정할 수 있도록 하는 학습모델을 통해 검사 대상 기판에 대한 불량 여부를 검사한다. 예컨대, 불량 검사 이미지를 학습데이터로 이용하여 일련의 학습 과정을 수행함으로써 학습모델이 수립되고, 수립된 학습모델에 검사 대상 기판의 검사 이미지를 입력하면 학습 결과를 이용하여 검사 대상 기판의 불량 여부를 판정하게 된다. 그리고, 불량 검사 이미지를 학습 데이터로 이용하는 경우, 불량 유형이 학습데이터로 추가될 수 있다.
데이터 저장부(600)는 학습 기반 검사 제외 대상정보를 포함하여 검사 제어부(700)에서 처리되는 정보 및 검사 프로그램을 구동하기 위한 각종 정보를 저장한다. 이때, 학습 기반 검사 제외 대상정보는 특정 영역에 해당하는 위치정보와 불량 유형정보 중 적어도 하나를 포함한다.
또한, 데이터 저장부(600)는 학습모델에 적용된 학습데이터를 저장함과 더불어, 룰 기반 검사 및 학습 기반 검사에 따른 양품 검사 이미지와 불량품 검사 이미지를 서로 다른 빈(저장장소)에 구분하여 저장한다.
또한, 데이터 저장부(600)는 학습 기반 검사에 따른 가성불량 검사 이미지를 또 다른 빈에 구분하여 저장할 수 있다.
검사 제어부(700)는 카메라(200)를 통해 획득한 컬러 이미지를 룰 기반 검사부(300)로 제공하여 양불 검사결과를 획득하고, 룰 기반 검사에서 불량 판정된 검사 이미지에 대해서는 학습 검사이미지 생성부(400)를 통해 생성된 학습 검사이미지를 학습 기반 검사부(500)로 제공하여 학습 기반 검사를 통한 2차 양불 검사를 수행하도록 제어한다.
또한, 검사 제어부(700)는 룰 기반 검사에서 불량 판정된 검사 이미지의 불량 유형이 기 등록된 학습 기반 검사 제외대상인 경우 학습 기반 검사를 생략하고 제3 검사부, 예컨대 정밀 광학 측정수단을 통해 해당 검사 대상 기판에 대한 정밀 검사를 수행하도록 실시할 수 있다.
또한, 검사 제어부(700)는 학습 기반 검사에서 불량으로 판정된 학습 검사이미지에 해당하는 검사 대상 기판을 제3 검사부, 예컨대 정밀 광학 측정수단을 통해 보다 정밀하게 재검사하거나, 또는 정보 입출력부(100)로 해당 학습검사 이미지 또는 검사 이미지를 출력하여 관리자로 하여금 가성불량 여부를 결정하도록 제어할 수 있다.
이때, 검사 제어부(700)는 학습 기반 검사에서 가성불량으로 결정된 학습 검사 이미지의 가성불량 판단영역을 추출하여 저장하고, 동일 가성불량 판단영역의 누적 저장 횟수가 일정 이상이 되면, 해당 가성불량 판단영역을 학습 기반 검사 제외 영역으로 추가 설정할 수 있다. 그리고, 검사 제어부(700)는 학습모델에서 해당 학습 기반 검사 제외 영역을 학습 기반 검사에서 추가로 제외하도록 설정할 수 있다.
이어, 상기한 구성으로 된 기판 검사 장치의 동작을 설명한다.
도2는 본 발명의 제1 실시예에 따른 기판 검사 방법을 설명하기 위한 흐름도이다.
도2를 참조하면, 검사 제어부(700)는 학습 기반 검사 제외 영역정보를 데이터 저장부(600)에 등록한다(ST110). 이때, 학습 기반 검사 제외 영역정보는 검사 대상 기판에 대해 학습 기반 검사에서 오검출률이 기준값 이상인 영역에 대한 위치정보로, 정보 입출력부(100)를 통해 관리자에 의해 입력될 수 있다.
그리고, 학습 기반 검사를 수행하는 학습모델은 상기 학습 기반 검사 제외 영역은 검사를 수행하지 않도록 설정되어 학습 기반 검사부(500)에 저장된다.
상기한 상태에서, 검사 제어부(700)는 카메라(200)를 통해 검사 이미지가 수신되면(ST120), 검사 이미지를 룰 기반 검사부(300)로 제공하여 해당 검사 이미지에 대한 일련의 룰 기반 검사를 수행한다(ST130).
상기 ST130 단계에서, 검사 이미지에 대한 룰 기반 검사 결과가 "양품"으로 판정되면(ST140), 검사 제어부(700)는 해당 검사 대상 기판을 양품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST150). 이때, 검사 제어부(700)는 해당 검사 이미지를 데이터 저장부(600)의 양품 이미지 저장소에 저장함과 더불어, 양품의 검사 결과정보를 정보 입출력부(100)를 통해 표시출력한다.
한편, 상기 ST130 단계에서, 검사 이미지에 대한 룰 기반 검사 결과가 "불량"으로 판정되면(ST140), 검사 제어부(700)는 해당 검사 이미지를 학습 검사이미지 생성부(400)로 제공하여 학습 검사이미지를 생성한다(ST160).
상기 ST160 단계에서 학습 검사이미지는 도3에 도시된 바와 같이 상기 ST120 단계에서 수신된 검사 이미지에서 상기 ST110 단계에서 등록된 학습 기반 검사 제외 영역(X)이 마스킹된 형태의 이미지이다.
이어, 검사 제어부(700)는 상기 학습 검사이미지를 학습모델에 입력하여 학습 기반 검사를 수행한다(ST170). 이때, 학습모델은 학습 검사이미지의 마스킹 영역을 제외한 나머지 부분에 대해서만 학습 기반 검사를 수행하여 해당 검사 대상 기판에 대한 불량 여부정보를 출력한다.
상기 ST170 단계에서, 학습 검사이미지에 대한 학습 기반 검사 결과가 "양품"으로 판정되면(ST180), 검사 제어부(700)는 해당 검사 대상 기판을 양품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST150). 이때, 검사 제어부(700)는 해당 검사 이미지를 데이터 저장부(600)의 양품 이미지 저장소에 저장함과 더불어, 양품의 검사 결과정보를 정보 입출력부(100)를 통해 표시출력한다.
한편, 상기 ST170 단계에서, 학습 검사이미지에 대한 학습 기반 검사 결과가 "불량"으로 판정되면(ST180), 검사 제어부(700)는 해당 검사 대상 기판을 불량품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST190). 이때, 검사 제어부(700)는 해당 검사 이미지를 데이터 저장부(600)의 불량품 이미지 저장소에 저장함과 더불어, 불량품의 검사 결과정보를 정보 입출력부(100)를 통해 표시출력한다.
또한, 본 발명에 있어서는 학습 기반 검사에서 오검출률이 높은 불량 유형을 설정하여 룰 기반 검사에서 해당 불량 유형에 해당하는 불량 판정 검사 이미지에 대해서는 학습 기반 검사를 수행하지 않고, 정밀 광학 검사를 수행하여 해당 검사 기판 대상에 대한 불량 여부를 결정하도록 실시할 수 있다.
도4는 본 발명의 제2 실시예에 따른 기판 검사 방법을 설명하기 위한 흐름도이다.
도4를 참조하면, 검사 제어부(700)는 학습 기반 검사 제외 영역정보와 학습 기반 검사 제외 불량 유형정보를 데이터 저장부(600)에 등록한다(ST210). 이때, 학습 기반 검사 제외 불량 유형정보는 검사 대상 기판에 대해 학습 기반 검사에서 오검출률이 기준치 이상인 불량 유형으로, 정보 입출력부(100)를 통해 관리자에 의해 입력될 수 있다.
상기한 상태에서, 검사 제어부(700)는 카메라(200)를 통해 검사 이미지가 수신되면(ST220), 검사 이미지를 룰 기반 검사부(300)로 제공하여 해당 검사 이미지에 대한 룰 기반 검사를 수행하고(ST230), 룰 기반 검사 결과가 "양품"으로 판정되면(ST240), 해당 검사 대상 기판을 양품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST250). 이때, 상기 룰 기반 검사부(300)는 룰 기반 검사 결과 출력시 불량 검사 결과정보는 검사 이미지에 대한 불량 여부 및 불량 유형정보를 포함한다.
한편, 상기 ST230 단계에서, 검사 이미지에 대한 룰 기반 검사 결과가 "불량"으로 판정되면(ST240), 검사 제어부(700)는 룰 기반 검사에서 불량으로 판정된 검사 이미지의 불량 유형이 기 등록된 학습 기반 검사 제외 불량 유형인지를 판단한다(ST260).
도5에는 학습 기반 검사에서 얼룩(Y)으로 인해 불량으로 판정된 검사 이미지들이 예시되어 있다. 즉, 검사 대상 기판의 고유 특성에는 문제가 없으나, 조명이나 먼지 등의 단순히 얼룩으로 인해 학습 기반 검사에서 해당 검사 대상 기판이 가성불량으로 결정되는 문제를 방지하기 위해 "얼룩"을 학습 기반 제외 불량 유형으로 설정할 수 있다.
상기 ST260 단계에서 검사 이미지의 불량 유형이 학습 기반 검사 제외 불량 유형이 아닌 경우, 검사 제어부(700)는 해당 검사 이미지를 학습 검사이미지 생성부(400)로 제공하여 학습 검사이미지를 생성하고, 이 학습 검사이미지를 학습모델에 입력하여 일련의 학습 기반 검사를 수행한다(ST270). 이때, 학습모델은 학습 검사이미지의 마스킹 영역을 제외한 나머지 부분에 대해서만 학습 기반 검사를 수행하여 해당 검사 대상 기판에 대한 불량 여부정보를 출력한다.
상기 ST270 단계에서, 학습 검사이미지에 대한 학습 기반 검사 결과가 "양품"으로 판정되면(ST280), 검사 제어부(700)는 해당 검사 대상 기판을 양품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다.
또한, 상기 ST280 단계에서, 학습 검사이미지에 대한 학습 기반 검사 결과가 "불량"으로 판정되면, 검사 제어부(700)는 해당 검사 대상 기판을 불량품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다(ST290).
한편, 상기 ST260 단계에서 검사 이미지의 불량 유형이 학습 기반 검사 제외 불량 유형인 경우, 검사 제어부(700)는 정밀 광학 측정수단을 통해 해당 검사 대상 기판을 정밀 검사한다(ST300).
그리고, 상기 ST300 단계에서 검사 대상 기판에 대한 정밀 검사 결과에 따라 해당 검사 대상 기판을 불량품으로 결정하거나 또는 양품으로 결정하고 해당 검사 대상 기판에 대한 검사를 종료한다.
또한, 본 발명에 있어서는 학습 기반 검사 결과 불량품으로 결정된 학습 검사 이미지에 대응되는 검사 대상 기판을 정밀 광학 측정수단을 통해 정밀 검사하거나 정보 입출력부로 학습 검사 이미지를 제공하여 학습 기반 검사에 대한 가성불량 여부를 판단하고, 가성불량으로 판단된 가성불량 영역정보 또는 가성불량 유형정보를 저장한다. 그리고, 동일 가성불량 영역 또는 가성불량 유형정보가 일정 횟수 이상 누적 저장되는 경우, 해당 가성불량 영역 또는 가성불량 유형정보를 학습 기반 검사 제외 대상으로 추가 설정한다. 또한, 기 저장된 학습모델에서 추가 설정된 학습 기반 검사 제외 대상을 추가 설정하여 이후 검사 대상 기판에 대해서는 추가 설정된 학습 기반 검사 제외 대상은 학습 검사에서 제외하도록 실시할 수 있다.
100 : 정보 입출력부, 200 : 카메라,
300 : 룰 기반 검사부, 400 : 학습 검사이미지 생성부,
500 : 학습 기반 검사부, 600 : 데이터 저장부,
700 : 검사 제어부.

Claims (5)

  1. 기판 검사 장치가 학습 기반 검사에서 오검률이 기준값 이상인 검사 항목을 학습 기반 검사 제외대상으로 설정하는 제1 단계와,
    검사 대상 기판의 검사 이미지에 대한 룰 기반 검사를 수행하는 제2 단계 및,
    룰 기반 검사 결과가 불량으로 판정된 경우, 학습 기반 검사 제외 대상으로 설정되지 않은 검사 항목에 대하여 검사 이미지를 이용한 학습 기반 검사를 수행하는 제3 단계를 포함하여 구성되는 것을 특징으로 하는 기판 검사 방법.
  2. 제1항에 있어서,
    상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 일정 영역을 학습 기반 검사 제외대상으로 설정하고,
    상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정된 경우, 해당 검사 이미지에서 학습 기반 검사 제외대상 영역을 마스킹하여 학습 검사이미지를 생성한 후, 학습 검사 이미지를 학습모델에 입력하여 마스킹된 영역을 제외한 나머지 영역에 대한 학습 기반 검사를 수행하는 것을 특징으로 하는 기판 검사 방법.
  3. 제1항에 있어서,
    상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 불량 유형정보를 학습 기반 검사 제외대상으로 설정하도록 구성되고,
    상기 제2 단계에서 룰 기반 검사 결과 출력시 불량 검사 결과정보는 불량 유형정보를 포함하며,
    상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정되고, 해당 불량 유형이 학습 기반 검사 제외대상 불량 유형에 해당하는 경우에는 학습 검사이미지를 생성하지 않고, 해당 검사 대상 기판에 대한 정밀 광학 검사를 수행하는 것을 특징으로 하는 기판 검사 방법.
  4. 제3항에 있어서,
    상기 제1 단계에서 기판 검사 장치는 학습 기반 검사에서 오검률이 기준값 이상인 검사 대상 기판의 일정 영역을 추가로 학습 기반 검사 제외대상으로 설정하고,
    상기 제3 단계에서 기판 검사 장치는 룰 기반 검사 결과가 불량으로 판정되고, 해당 불량 유형이 학습 기반 검사 제외대상 불량 유형에 해당하지 않는 경우에는 해당 검사 이미지에서 학습 기반 검사 제외대상 영역을 마스킹하여 학습 검사이미지를 생성한 후, 학습 검사 이미지를 학습모델에 입력하여 마스킹된 영역을 제외한 나머지 영역에 대한 학습 기반 검사를 수행하는 것을 특징으로 하는 기판 검사 방법.
  5. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 제3 단계에서 학습 기반 검사 결과가 불량으로 판정된 경우, 해당 학습 기반 검사 결과에 대한 가성불량 여부를 확인하고, 가성불량으로 확인된 학습 검사 이미지의 불량 판단 영역 또는 불량 판단 유형을 학습 기반 검사 제외 대상으로 추가 설정하는 것을 특징으로 하는 기판 검사 방법.
KR1020220029145A 2022-03-08 2022-03-08 기판 검사 방법 KR20230132083A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220029145A KR20230132083A (ko) 2022-03-08 2022-03-08 기판 검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220029145A KR20230132083A (ko) 2022-03-08 2022-03-08 기판 검사 방법

Publications (1)

Publication Number Publication Date
KR20230132083A true KR20230132083A (ko) 2023-09-15

Family

ID=88017334

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220029145A KR20230132083A (ko) 2022-03-08 2022-03-08 기판 검사 방법

Country Status (1)

Country Link
KR (1) KR20230132083A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0330912A (ja) 1989-06-28 1991-02-08 Mazda Motor Corp 成形型の補修方法
KR102208551B1 (ko) 2019-02-11 2021-01-27 (주) 인텍플러스 외관 검사 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0330912A (ja) 1989-06-28 1991-02-08 Mazda Motor Corp 成形型の補修方法
KR102208551B1 (ko) 2019-02-11 2021-01-27 (주) 인텍플러스 외관 검사 시스템

Similar Documents

Publication Publication Date Title
KR100853736B1 (ko) 식별 정보를 갖는 회로기판 및 그 제조 방법
US11727553B2 (en) Vision analysis and validation system for improved inspection in robotic assembly
KR102657751B1 (ko) 학습모델을 이용한 기판 검사 방법
JP7224048B2 (ja) 基板不良検査装置及び方法
CN111681235B (zh) 一种基于学习机制的ic焊点缺陷检测方法
JP2007110065A (ja) フォトレジストの欠陥を検査および修復する方法、並びにプリント回路基板の製造プロセス
KR101026736B1 (ko) 플렉시블 인쇄회로기판의 제조 방법 및 그의 검사 방법
KR102450824B1 (ko) 3차원 학습모델을 이용한 기판의 휨 검사 방법
KR20230132083A (ko) 기판 검사 방법
KR101572089B1 (ko) 인쇄회로기판 검사방법
KR102668045B1 (ko) 기판 검사 방법
TW202104876A (zh) 印刷電路板的檢修方法及其系統
JP2010129696A (ja) 配線回路基板の製造方法
KR100645645B1 (ko) 마이크로 비아홀의 테스트 쿠폰이 구비된 인쇄회로기판 및그 제조 방법
KR102529354B1 (ko) 학습 장치, 검사 장치, 학습 방법 및 검사 방법
KR20220147807A (ko) 기판 검사 방법
CN100456024C (zh) 用于防止光学检查中错误检测的系统和方法
KR101222788B1 (ko) 딤플 검사 장치 및 검사 방법
JP2009105400A (ja) フレキシブルプリント回路基板の製造方法及びその検査方法
KR20190046225A (ko) 빅 데이터와 인공지능을 이용한 pcb 패널 자동검사방법 및 그 장치
KR20150104763A (ko) 광학검사를 위한 검사모델 자동결정방법
JPH05107212A (ja) 部品類が実装されたプリント板の外観検査法
JP2013205176A (ja) 配線基板の検査方法
KR20230089583A (ko) 소자 검사 방법 및 이를 수행하는 소자 검사 장치
JPH08110216A (ja) 外観検査装置の対象面認識処理装置