WO2019164381A1 - 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 - Google Patents

부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 Download PDF

Info

Publication number
WO2019164381A1
WO2019164381A1 PCT/KR2019/002328 KR2019002328W WO2019164381A1 WO 2019164381 A1 WO2019164381 A1 WO 2019164381A1 KR 2019002328 W KR2019002328 W KR 2019002328W WO 2019164381 A1 WO2019164381 A1 WO 2019164381A1
Authority
WO
WIPO (PCT)
Prior art keywords
light
wavelength
depth information
component
machine
Prior art date
Application number
PCT/KR2019/002328
Other languages
English (en)
French (fr)
Inventor
이세린
강진만
정중기
손정호
윤민철
Original Assignee
주식회사 고영테크놀러지
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 고영테크놀러지 filed Critical 주식회사 고영테크놀러지
Priority to EP19756876.9A priority Critical patent/EP3761013A4/en
Priority to KR1020207024783A priority patent/KR102427381B1/ko
Priority to US16/976,008 priority patent/US11244436B2/en
Priority to CN201980015610.XA priority patent/CN111788476B/zh
Publication of WO2019164381A1 publication Critical patent/WO2019164381A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0815—Controlling of component placement on the substrate during or after manufacturing
    • 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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2509—Color coding
    • 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
    • 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
    • G01N21/95684—Patterns showing highly reflecting parts, e.g. metallic elements
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/586—Depth or shape recovery from multiple images from multiple light sources, e.g. photometric stereo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0817—Monitoring of soldering processes
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines

Definitions

  • the present disclosure relates to a method for inspecting a mounting state of a component, a printed circuit board inspection apparatus, and a computer readable recording medium.
  • a screen printer prints solder pastes on a printed circuit board, and a mounter mounts components on a printed circuit board on which solder pastes are printed. do.
  • SMT Surface Mounter Technology
  • AOI Automated Optical Inspection
  • the AOI device uses the captured image of the printed circuit board to check whether the components are normally mounted on the printed circuit board without dislocation, lifting or tilting.
  • noise may occur in the multiple reflection of light irradiated onto the printed circuit board or in the process of processing the received light by the image sensor. That is, optical noise and signal noise may be variously generated. If the noise generated in this manner is not reduced, the quality of the printed circuit board captured image generated by the AOI device may be degraded. When the quality of the printed circuit board picked-up image is degraded, the inspection of the mounting state of the components mounted on the printed circuit board using the printed circuit board picked-up image may not be performed correctly.
  • the present disclosure provides a printed circuit board inspection apparatus for inspecting a mounting state of a component using depth information of the component and depth information of the component having reduced noise obtained based on two-dimensional image data of the component. Can be provided.
  • the present disclosure provides a program comprising executable instructions for inspecting a mounting state of a part using depth information about the part and noise information obtained based on depth information about the part and two-dimensional image data about the part.
  • a recorded computer readable recording medium can be provided.
  • the present disclosure may provide a method of inspecting a mounting state of a part using depth information about a part having reduced noise obtained based on depth information about the part and two-dimensional image data about the part.
  • the first image sensor receiving the light of the wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength, and the pattern light reflected from the first object among the pattern light emitted from the plurality of third light sources.
  • the first depth with noise is reduced by using the two-dimensional image data about the first object.
  • Output information And a memory and a processor in which a machine-learning based model is stored, wherein the processor generates second depth information for the component using the patterned light reflected from the component received by the first image sensor, The generated by using at least one of the light of the first wavelength, the light of the second wavelength, the light of the third wavelength and the light of the fourth wavelength reflected from the component received by the first image sensor
  • Receiving two-dimensional image data for a part from the first image sensor, inputting the second depth information and the two-dimensional image data for the part into the machine-learning based model, and reducing the noise to the second depth Information is obtained from the machine-learning based model, and the mounting state of the component is obtained by using the second depth information with reduced noise.
  • the machine-learning based model may further include at least one third depth information of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of third light sources.
  • the two-dimensional image data is input, it is possible to output the first depth information of the noise is reduced.
  • the number of the plurality of third light sources may be equal to the number of the plurality of first light sources, and the number of the plurality of fourth light sources may be greater than the number of the plurality of first light sources.
  • the light of the first wavelength may be red light
  • the light of the second wavelength may be green light
  • the light of the third wavelength may be blue light
  • the light of the fourth wavelength may be white light.
  • the machine-learning based model may include a Convolution Neural Network (CNN) or a Generic Adversarial Network (GAN).
  • CNN Convolution Neural Network
  • GAN Generic Adversarial Network
  • the processor may generate a three-dimensional image of the component by using the second depth information with reduced noise, and use the three-dimensional image of the component to mount the component. You can check
  • the printed circuit board inspection apparatus further comprises a second image sensor disposed below the first image sensor, wherein the machine-learning based model includes patterned light emitted from the plurality of third light sources.
  • the first object may be generated by using the pattern light reflected from the first object received by a fourth image sensor disposed below the third image sensor receiving the pattern light used to generate the first depth information.
  • the fifth depth information about the object is further input, the first depth information with the reduced noise may be output using the fifth depth information.
  • the processor generates sixth depth information for the part using the patterned light reflected from the part received by the second image sensor and generates the sixth depth information for the machine-learning. You can enter more in the base model.
  • the program may be executed by a processor when the processor is patterned on a component mounted on a printed circuit board.
  • the machine-learning based model may further include third depth information of the second object generated using pattern light reflected from the second object among pattern light emitted from the plurality of third light sources; Fourth depth information of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of fourth light sources, and at least one agent irradiated from the at least one fifth light source Of light of 1 wavelength, light of 2nd wavelength, light of 3rd wavelength, and light of 4th wavelength, the light of the at least 1st wavelength reflected from the said 2nd object, the light of the 2nd wavelength, of the 3rd wavelength Learn to output third depth information with reduced noise using two-dimensional image data for the second object generated using light and light of a fourth wavelength, and based on the learning result, Depth information and the first object After about two-dimensional image data is input, it is possible to output the first depth information of the noise is reduced.
  • the machine-learning based model wherein the number of the plurality of third light sources is the same as the number of the plurality of first light sources, the number of the plurality of fourth light sources is of the plurality of first light sources Can be greater than the number.
  • the light of the first wavelength may be red light
  • the light of the second wavelength may be green light
  • the light of the third wavelength may be blue light
  • the light of the fourth wavelength may be white light.
  • the machine-learning based model may include a Convolution Neural Network (CNN) or a Generic Adversarial Network (GAN).
  • CNN Convolution Neural Network
  • GAN Generic Adversarial Network
  • the executable instruction further comprises the steps of: generating, by the processor, a three-dimensional image of the second component using the second depth information with reduced noise and three for the second component; By using the dimensional image, the step of inspecting the mounting state of the component can be further performed.
  • the machine-learning based model may further include a fourth device disposed below the third image sensor receiving the pattern light used for generating the first depth information among the pattern light emitted from the plurality of third light sources.
  • the noise is reduced by further using the fifth depth information.
  • the second depth information may be output.
  • the executable instruction further comprises: generating, by the processor, sixth depth information for the part using the patterned light reflected from the part received by the second image sensor and the sixth depth; And further inputting depth information into the machine-learning based model.
  • a method of inspecting a mounting state of a component includes controlling a plurality of first light sources so that pattern light is irradiated onto a component mounted on a printed circuit board, wherein Controlling the at least one second light source to irradiate the component with at least one of light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength, the first image sensor being received by the first image sensor Generating first depth information for the part using the patterned light reflected from the part, at least one light of a first wavelength reflected from the part received by the first image sensor, a second wavelength Generating two-dimensional image data for the part using light of a third wavelength, light of a third wavelength, and light of a fourth wavelength, and merging the first depth information and the two-dimensional image data for the part.
  • the method may further include a second depth information regarding the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of third light sources. And when the two-dimensional image data of the first object is input, the second depth information with reduced noise may be output using the two-dimensional image data of the first object.
  • the machine-learning based model may further include third depth information regarding the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of third light sources. At least one fourth depth information of the second object generated by using the pattern light reflected from the second object among the plurality of pattern light emitted from the plurality of fourth light sources, and at least one irradiated from the at least one fifth light source.
  • the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength light of at least one first wavelength reflected from the second object, light of the second wavelength, and third wavelength Is trained to output third depth information with reduced noise using two-dimensional image data for the second object generated using light of a second wavelength and light of a fourth wavelength, and based on the learning result, 1 depth information and the first
  • the two-dimensional image data for the object is input, it is possible to output the first depth information of the noise is reduced.
  • a printed circuit board inspection apparatus may reduce noise in depth information of a part by processing depth information of the part and two-dimensional image data of the part through a machine-learning based model. Depth information on parts with reduced noise can be used to inspect the mounting state of the components mounted on the printed circuit board.
  • the printed circuit board inspection apparatus uses a machine-learning-based model to remove noise, such as unreceived or peak signals, from the depth information on the part, even if a relatively small number of image data is acquired to generate depth information.
  • the depth information of the part may be generated using a machine-learning based model to restore the lost shape.
  • the apparatus for inspecting a printed circuit board may detect the three-dimensional sharpness of the corners of the parts as much as possible without performing the restoration of the joint shape of the parts without additionally damaging the measured foreign material shape.
  • noise is reduced in the depth information of the component, and the component is more accurately mounted on the printed circuit board by performing the shape restoration to the level as close as possible to the shape of the actual component and the solder paste. You can check the status.
  • FIG. 1 illustrates a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • FIG. 2 is a block diagram of an apparatus for inspecting a printed circuit board according to various embodiments of the present disclosure.
  • FIG. 3 is a flowchart of a method of inspecting a mounting state of components by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • 4A and 4B are conceptual views illustrating a method of learning a machine-learning based model according to various embodiments of the present disclosure.
  • 5A and 5B are conceptual diagrams for describing an operation of a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 6 is a conceptual diagram illustrating a learning method of a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 7 is a diagram for describing a method of obtaining depth information used for learning a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 8 illustrates an image of a component generated using depth information with reduced noise by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • Embodiments of the present disclosure are illustrated for the purpose of describing the technical spirit of the present disclosure.
  • the scope of the present disclosure is not limited to the embodiments set forth below or the detailed description of these embodiments.
  • the term “unit” refers to software or a hardware component such as a field-programmable gate array (FPGA) or an application specific integrated circuit (ASIC).
  • “part” is not limited to hardware and software.
  • the “unit” may be configured to be in an addressable storage medium, and may be configured to play one or more processors.
  • “parts” means components such as software components, object-oriented software components, class components, and task components, processors, functions, properties, procedures, subroutines, It includes segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. Functions provided within a component and "part” may be combined into a smaller number of components and “parts” or further separated into additional components and “parts”.
  • the expression “based on” is used to describe one or more factors that affect the behavior or behavior of a decision, judgment, described in a phrase or sentence that includes the expression, which expression Does not exclude additional factors that affect decisions, actions of behaviour, or actions.
  • a component when referred to as being "connected” or “connected” to another component, the component may be directly connected to or connected to the other component, or new It is to be understood that the connection may be made or may be connected via other components.
  • FIG. 1 illustrates a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 may inspect a mounting state of at least one component mounted on the printed circuit board 110.
  • the transfer unit 120 may move the printed circuit board 110 to a preset position to inspect the mounting state of the component.
  • the transfer unit 120 moves the completed inspection of the printed circuit board 110 to move away from the preset position, and moves the other printed circuit board 111 in advance. It can be moved to a set printed circuit board.
  • the printed circuit board inspection apparatus 100 may include a first light source 101, a first image sensor 102, a frame 103, a second image sensor 104, and a second light source ( 105).
  • the number and arrangement states of the first light source 101, the first image sensor 102, the frame 103, the second image sensor 104, and the second light source 105 shown in FIG. 1 are for illustrative purposes only. However, the present invention is not limited thereto.
  • one first light source 101 is disposed at the position of the image sensor 102 shown in FIG. 1, and a plurality of image sensors are disposed at the position of the first light source 101 shown in FIG. 1.
  • the first light source 101 and the image sensor 102 may be arranged in various directions and angles through the plurality of frames 103.
  • the first light source 101 may irradiate the patterned light to the printed circuit board 110 moved to a preset position to inspect the mounting state of the component.
  • the first light sources 101 may be arranged to have different irradiation directions, different irradiation angles, and the like.
  • pitch intervals of the pattern light irradiated from the first light sources 101 may be different from each other.
  • the patterned light may be light having a pattern having a constant period, which is irradiated to measure a three-dimensional shape for the printed circuit board 110.
  • the first light source 101 is a pattern light in which the brightness of the stripe has a sinusoidal shape, an on-off pattern light in which bright parts and dark parts are repeatedly displayed, or a triangular wave in which the brightness change is a triangular waveform. Patterned light and the like can be irradiated. However, this is only for the purpose of explanation and the present invention is not limited thereto, and the first light source 101 may irradiate light including various types of patterns in which the change in brightness is repeated with a certain period.
  • the second light source 105 may irradiate the printed circuit board 110 with at least one of light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength.
  • the second light source 105 irradiates only one of the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength, or the light of the first wavelength and the second wavelength.
  • the light, the light of the third wavelength and the light of the fourth wavelength may be sequentially irradiated or at least two lights may be irradiated simultaneously.
  • the first image sensor 102 includes a patterned light reflected from the printed circuit board 110 and components mounted on the printed circuit board 110, light of at least one first wavelength reflected, and a second wavelength. And light of the third wavelength and the light of the fourth wavelength.
  • the first image sensor 102 may generate image data using at least one of the received pattern light, light of the first wavelength, light of the second wavelength, light of the third wavelength, and light of the fourth wavelength.
  • the second image sensor 104 may be disposed below the first image sensor 102.
  • the second image sensor 104 may include patterned light reflected from the printed circuit board 110 and components mounted on the printed circuit board 110, light of at least one reflected first wavelength, light of a second wavelength, and third light.
  • the light of the wavelength and the light of the fourth wavelength may be received.
  • the second image sensor 104 may generate image data using at least one of the received pattern light, light of the first wavelength, light of the second wavelength, light of the third wavelength, and light of the fourth wavelength.
  • the first image sensor 102 and the second image sensor 104 may include a charge coupled device (CCD) camera, a complementary metal oxide semiconductor (CMOS) camera, and the like. However, this is only for the purpose of description and the present invention is not limited thereto.
  • CMOS complementary metal oxide semiconductor
  • the first light source 101, the first image sensor 102 and the second image sensor 104 may be fixed to the first frame 103.
  • the second light source 105 may be fixed to the second frame 106 connected to the first frame 103.
  • some of the plurality of second light sources 105 may be fixed to the second frame 106 so as to have the same height with respect to the ground.
  • Other portions of the two light sources 105 may be fixed to the second frame 106 to have different heights.
  • the plurality of second light sources 105 are disposed to have different positions or heights on the second frame 106, so that light of each wavelength irradiated from each of the plurality of second light sources 105 is printed circuit.
  • the substrate 110 may be irradiated at different angles.
  • the plurality of second light sources may be configured to irradiate light of at least one wavelength different from each other according to the disposed height.
  • the plurality of second light sources 105 arranged to have a first height on the second frame 106 among the plurality of second light sources 105 irradiates light having a first wavelength and generates a plurality of second light sources.
  • the plurality of second light sources 105 arranged to have a second height on the second frame 106 of the two light sources 105 irradiates light having a second wavelength, and the second of the plurality of second light sources 105 is formed.
  • the plurality of second light sources 105 arranged to have a third height on the two frames 106 may be configured to irradiate light of the third wavelength and light of the fourth wavelength.
  • the second frame 106 is illustrated in a ring shape, but is not limited thereto.
  • the second light source 105 is illustrated as being fixed to the second frame 106 in FIG. 1, this is for illustrative purposes only and is not limited thereto.
  • the second light source 105 may also be the first frame 103. It may be arranged to be fixed to). In this case, the second frame 106 may not be included in the printed circuit board inspection apparatus 100.
  • FIG. 2 is a block diagram of an apparatus for inspecting a printed circuit board according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 may include a first light source 210, a second light source 220, a first image sensor 230, a memory 240, and a processor 250. It may include. Also, the printed circuit board inspection apparatus 100 may further include a second image sensor 270 or a communication circuit 260. Each component included in the printed circuit board inspection apparatus 100 may be electrically connected to each other to transmit and receive signals, data, and the like.
  • the printed circuit board inspection apparatus 100 may include a plurality of first light sources 210.
  • the first light source 210 may irradiate pattern light onto an inspection object (eg, a printed circuit board).
  • the first light source 210 may irradiate the pattern light to the entire inspection object or irradiate the pattern light to an object (eg, a component mounted on a printed circuit board) included in the inspection object.
  • the first light source 210 will be described based on patterned light on a component mounted on a printed circuit board, but the present invention is not limited thereto, and the first light source 210 includes the entire printed circuit board to be inspected.
  • the patterned light may be irradiated to one region of the printed circuit board including at least one component mounted on the printed circuit board.
  • the first light source 210 may include a light source (not shown), a grating (not shown), a grating transfer device (not shown), and a projection lens unit (not shown).
  • the grating may convert light irradiated from the light source into pattern light.
  • the grating may be conveyed through a grating transfer mechanism such as, for example, a piezo actuator (PZT) to generate phase shifted pattern light.
  • the projection lens unit may cause the pattern light generated by the grating to be irradiated to the component mounted on the printed circuit board, which is an object included in the inspection object.
  • the first light source 210 is a printed circuit that is an object included in the inspection target by forming pattern light through various methods such as liquid crystal display (LCD), digital light processing (DLP), liquid crystal on silicon (LCOS), and the like.
  • LCD liquid crystal display
  • DLP digital light processing
  • LCOS liquid crystal on silicon
  • the components mounted on the substrate can be irradiated.
  • the printed circuit board inspection apparatus 100 may include at least one second light source 220.
  • the second light source 220 may radiate at least one of light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength to the inspection object.
  • the second light source 220 irradiates at least one of the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength to the entire object or the object included in the object. can do.
  • the second light source 220 may include at least one of light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength in a component mounted on a printed circuit board.
  • the second light source 220 may include a first printed circuit board including at least one component mounted on the entire printed circuit board or at least one component mounted on the printed circuit board. At least one of light of a wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength may be irradiated.
  • the second light source 220 emits only one of light of the first wavelength, light of the second wavelength, light of the third wavelength, and light of the fourth wavelength, or light of the first wavelength, the second wavelength.
  • the light of the third wavelength, the light of the third wavelength and the light of the fourth wavelength may be sequentially irradiated or at least two lights.
  • the light of the first wavelength may be red light
  • the light of the second wavelength may be green light
  • the light of the third wavelength may be blue light
  • the light of the fourth wavelength may be white light.
  • the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength may be light having different wavelengths.
  • the first image sensor 230 includes patterned light reflected from the component, light of at least one first wavelength, light of the second wavelength, light of the third wavelength and light of the fourth wavelength reflected from the component. Can be received.
  • the first image sensor 230 receives and receives pattern light reflected from the component, light of at least one first wavelength, light of the second wavelength, light of the third wavelength, and light of the fourth wavelength reflected from the component.
  • the patterned light, the received at least one light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength can be used to generate image data for the component.
  • the first image sensor 230 receives at least one light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength that are reflected from the component to provide two-dimensional information about the component.
  • Image data can be generated.
  • the first image sensor 230 may transmit image data about the generated part to the processor 250.
  • the memory 240 may store instructions or data related to at least one other component of the printed circuit board inspection apparatus 100.
  • the memory 240 may store software and / or a program.
  • the memory 240 may include an internal memory or an external memory.
  • the internal memory may include at least one of volatile memory (eg, DRAM, SRAM, or SDRAM), and nonvolatile memory (eg, flash memory, hard drive, or solid state drive (SSD)).
  • the external memory may be functionally or physically connected to the printed circuit board inspection apparatus 100 through various interfaces.
  • memory 240 may store instructions to operate processor 250.
  • the memory 240 may store instructions for the processor 250 to control other components of the printed circuit board inspection apparatus 100 and to interoperate with an external electronic device or a server.
  • the processor 250 may control other components of the printed circuit board inspection apparatus 100 based on the instructions stored in the memory 240 and may interwork with an external electronic device or a server.
  • the operation of the printed circuit board inspection apparatus 100 will mainly be described with each component of the printed circuit board inspection apparatus 100.
  • instructions for performing an operation by each component may be stored in the memory 240.
  • memory 240 may store a machine-learning based model.
  • the machine-learning based model may include first depth information about the first object and two-dimensional image data about the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of third light sources. You can receive input.
  • the first depth information may include at least one of a shape of the first object, color information for each pixel, brightness information, and a height value.
  • the two-dimensional image data for the first object is generated using at least one of light of the first wavelength, light of the second wavelength, light of the third wavelength and light of the fourth wavelength reflected from the first object,
  • the 2D image data may include color information for each wavelength reflected from the first object.
  • the plurality of third light sources and the plurality of first light sources 210 may be the same or different.
  • the plurality of third light sources differ from the plurality of first light sources 210
  • the number of the plurality of third light sources may be the same as the number of the plurality of first light sources 210.
  • the arrangement positions of the plurality of third light sources in the other printed circuit board inspection apparatus may include the plurality of first light sources in the printed circuit board inspection apparatus 100. It may correspond to the arrangement position of.
  • the first depth information generated using the pattern light reflected from the first object may generate noise in the process of processing the received light by multiple reflection of the pattern light irradiated on the first object or the image sensor.
  • the noise may be a portion of the first depth information that is determined not to correspond to the shape of the first object or to be not related to the first object.
  • the machine-learning based model uses a two-dimensional image data for a first object to reduce the quality of an image for the first object, for example, a three-dimensional image for the first object, and has a reduced first depth. Can be learned to output information.
  • Machine-learning-based models may include a Convolutional Neural Network (CNN), a Generic Adversarial Network (GAN), and the like.
  • the machine-learning based model may be stored in a memory of an external electronic device or a server interworked with the printed circuit board inspection apparatus 100 by wire or wirelessly.
  • the printed circuit board inspection apparatus 100 may transmit / receive information with an external electronic device or a server linked with a wire or wirelessly to reduce noise of the first depth information.
  • the processor 250 may drive an operating system or an application program to control at least one other component of the printed circuit board inspection apparatus 100, and may perform various data processing and calculations.
  • the processor 250 may include a central processing unit or the like, or may be implemented as a system on chip (SoC).
  • SoC system on chip
  • the communication circuit 260 may communicate with an external electronic device or an external server.
  • the communication circuit 260 may establish communication between the printed circuit board inspection apparatus 100 and the external electronic device.
  • the communication circuit 260 may be connected to a network through wireless or wired communication to communicate with an external electronic device or an external server.
  • the communication circuit 260 may be connected to the external electronic device by wire to perform communication.
  • Wireless communication includes, for example, cellular communication (eg, LTE, LTE Advance (LTE-A), Code Division Multiple Access (CDMA), Wideband CDMA (WCDMA), Universal Mobile Telecommunications System (UMTS), and Wireless Broadband (WiBro). And the like).
  • the wireless communication may include short-range wireless communication (eg, wireless fidelity (WiFi), light fidelity (LiFi), Bluetooth, Bluetooth low power (BLE), Zigbee, Near Field Communication (NFC), etc.).
  • WiFi wireless fidelity
  • LiFi light fidelity
  • BLE Bluetooth low power
  • NFC Near Field Communication
  • the processor 250 may generate second depth information for the component using the patterned light reflected from the component mounted on the printed circuit board received by the first image sensor 230.
  • the processor 250 may generate second depth information about the component using an image of the component generated by using pattern light reflected from the component generated by the first image sensor 230.
  • the first image sensor 230 transmits information on the received pattern light to the processor 250
  • the processor 250 generates an image of the part, and uses the image of the part to transmit the information to the part.
  • Second depth information may be generated.
  • the processor 250 may apply the optical triangular method or the bucket algorithm to an image of the part to generate second depth information about the part.
  • this is only for the purpose of description and the present invention is not limited thereto, and the second depth information of the component may be generated through various methods.
  • the processor 250 may receive two-dimensional image data for the component from the first image sensor 230.
  • the first image sensor 230 uses two or more dimensions for the component using at least one light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength reflected from the component.
  • Image data may be generated, and two-dimensional image data of the generated part may be transmitted to the processor 250.
  • the first image sensor 230 transmits information about the received light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength to the processor 250.
  • the processor 250 may generate a two-dimensional image of the component using information on at least one light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength.
  • the processor 250 may input the second depth information and the two-dimensional image of the part into the machine-learning based model. For example, when the machine-learning based model is stored in the memory 240, the processor 250 may input the second depth information and the 2D image of the component directly into the machine-learning based model. As another example, the processor 250 may include communication circuitry to transmit the second depth information and the two-dimensional image of the component to the external electronic device or the external server when the machine-learning based model is stored in the external electronic device or the external server. 260 may be controlled.
  • the processor 250 may obtain second depth information with reduced noise from the machine-learning based model.
  • the processor 250 may obtain second depth information with reduced noise directly from the machine-learning based model.
  • the processor 250 may receive the second depth information with reduced noise from the external electronic device or the external server through the communication circuit 260. Can be obtained.
  • the processor 250 may check the mounting state of the component mounted on the printed circuit board using the second depth information with reduced noise. For example, the processor 250 may generate a 3D image of the component by using the second depth information with reduced noise. In addition, the processor 250 may inspect the mounting state of the component using the 3D image of the generated component. For example, the processor 250 may use a three-dimensional image of a part to determine whether the part is mounted at a predetermined position, whether the part is mounted in a preset direction, and at least a part of the part is tilted and mounted. The mounting status of the part can be inspected by checking whether there is a foreign object in the part or not.
  • the second image sensor 270 may be disposed below the first image sensor 230.
  • the second image sensor 270 may be disposed to have a height lower than that of the first image sensor 230 with respect to the ground.
  • the second image sensor 270 receives the reflected pattern light, the reflected at least one light of the first wavelength, the light of the second wavelength, the light of the third wavelength and the light of the fourth wavelength, and receives the received pattern light,
  • the received at least one light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength may be used to generate image data for the component.
  • the second image sensor 270 receives the light of at least one first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength that are reflected from the component to provide a two-dimensional view of the component.
  • Image data can be generated.
  • the second image sensor 270 may transmit image data about the generated part to the processor 250.
  • the machine-learning based model includes a fourth image sensor disposed below the third image sensor that receives the pattern light used for generating the first depth information among the pattern light emitted from the plurality of third light sources.
  • the fifth depth information may be further input using the pattern light reflected from the first object received by the first object.
  • the third image sensor may be the same as or different from the first image sensor 230.
  • the fourth image sensor may be the same as or different from the second image sensor 270.
  • Each of the third image sensor and the fourth image sensor may be different from the first image sensor 230 and the second image sensor 270, and the third image sensor and the fourth image sensor may be included in another printed circuit board inspection apparatus. .
  • the height at which the third image sensor is disposed in the other printed circuit board inspection apparatus corresponds to the height at which the first image sensor 230 is disposed in the printed circuit board inspection apparatus 100, and the other printed circuit board is disposed.
  • the height at which the fourth image sensor is disposed in the inspection apparatus may correspond to the height at which the second image sensor 270 is disposed in the printed circuit board inspection apparatus 100.
  • the processor 250 uses the pattern light reflected from the component received by the second image sensor 270.
  • the sixth depth information about may be generated.
  • the processor 250 may generate sixth depth information of the part using the image of the part generated by using the patterned light reflected from the part generated by the second image sensor 270. .
  • the processor 250 may further input the sixth depth information into the machine-learning based model.
  • the processor 250 may directly input the sixth depth information to the machine-learning based model.
  • the processor 250 may control the communication circuit 260 to transmit the sixth depth information to the external electronic device or the external server. have.
  • the processor 250 may further input the sixth depth information into the machine-learning based model, and then obtain the second depth information with reduced noise from the machine-learning based model.
  • the processor 250 may obtain second depth information with reduced noise directly from the machine-learning based model.
  • the processor 250 may receive the second depth information with reduced noise from the external electronic device or the external server through the communication circuit 260. Can be obtained.
  • FIG. 3 is a flowchart of a method of inspecting a mounting state of components by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the apparatus 100 for inspecting printed circuit boards may irradiate patterned light onto a component mounted on the printed circuit board.
  • the processor of the printed circuit board inspection apparatus 100 may control the plurality of first light sources such that pattern light is irradiated to each of the plurality of components mounted on the printed circuit board as the inspection target.
  • the apparatus 100 for inspecting a printed circuit board may radiate at least one of light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength to a component mounted on the printed circuit board.
  • the processor may include at least one to irradiate at least one light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength to each of a plurality of components mounted on a printed circuit board to be inspected. Can control the second light source.
  • the processor irradiates only one of the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength, or the light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the first light.
  • At least one second light source may be controlled to sequentially irradiate light having four wavelengths or to irradiate at least two lights simultaneously.
  • the apparatus 100 for inspecting printed circuit boards may receive pattern light reflected from the part and generate second depth information on the part using the pattern light.
  • the first image sensor may generate an image of the part using the patterned light reflected from the part, and transmit the image of the generated part to the processor.
  • the processor may generate second depth information about the part using the image of the part received from the first image sensor.
  • the apparatus 100 for inspecting the printed circuit board 100 may include at least one light of a first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength, which are reflected from the component.
  • Dimensional image data can be generated.
  • the first image sensor uses the at least one light of the first wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength to reflect the two-dimensional image data for the part.
  • two-dimensional image data of the generated part may be transmitted to the processor.
  • the printed circuit board inspection apparatus 100 may input the second depth information and the two-dimensional image data about the component into the machine-learning based model.
  • the processor may input the second depth information and the two-dimensional image of the part directly into the machine-learning based model. have.
  • the processor may control the communication circuit to transmit the second depth information and the two-dimensional image of the part to the external electronic device or the external server. Can be.
  • the printed circuit board inspection apparatus 100 may obtain second depth information with reduced noise from the machine-learning based model.
  • the processor may obtain second depth information with reduced noise directly from the machine-learning based model.
  • the processor may obtain second depth information with reduced noise through a communication circuit from the external electronic device or an external server.
  • the apparatus for inspecting a printed circuit board may inspect the mounting state of the component using the second depth information with reduced noise.
  • the processor may generate a 3D image of the component using the second depth information with reduced noise.
  • the processor may inspect the mounting state of the component using a 3D image of the generated component.
  • 4A and 4B are conceptual views illustrating a method of learning a machine-learning based model according to various embodiments of the present disclosure.
  • the machine-learning based model 410 may include third depth information 411 of a second object generated using pattern light reflected from a second object among pattern light emitted from the plurality of third light sources. ), At least one first light reflected from the second object among light of at least one first wavelength, light of a second wavelength, light of a third wavelength, and light of a fourth wavelength irradiated from at least one fifth light source Among the two-dimensional image data 412 for the second object generated using the light of the wavelength, the light of the second wavelength, the light of the third wavelength, and the light of the fourth wavelength, and the pattern light irradiated from the plurality of fourth light sources.
  • the third depth information 414 having reduced noise may be output.
  • the machine-learning based model 410 may be configured to generate first depth information for the first object different from the second object used for the training, based on a result of the training to output the third depth information 414 with reduced noise, and Even if two-dimensional image data for the first object is input, the first depth information for the first object with reduced noise may be output.
  • the third depth information 411, the two-dimensional image data 412, and the fourth depth information 413 may be input to the machine-learning based model 410 for learning.
  • the number of the plurality of fourth light sources that irradiate the pattern light used to generate the fourth depth information 413 is greater than the number of the plurality of first light sources and the same number as the number of the plurality of first light sources.
  • the branches may be larger than the number of the third light sources. Since the number of the plurality of fourth light sources is greater than the number of the plurality of third light sources, the number of the plurality of images for the second object used in generating the fourth depth information 413 generates the third depth information 411. May be greater than the number of images for the second object used.
  • all of the plurality of images of the second object used in generating the fourth depth information 413 are all images of the second object.
  • the images may be different from each other.
  • all the plurality of images of the second object used in generating the third depth information 411 are all second objects. May be an image for or different images from each other.
  • the plurality of fourth light sources may have at least one irradiation direction, at least one irradiation angle, and at least one different from the plurality of third light sources.
  • Light may be irradiated to the second object at pitch intervals and the like. Therefore, the number of the plurality of images for the second object used in generating the fourth depth information 413 is greater than the number of the plurality of images for the second object used in generating the third depth information 411.
  • the fourth depth information 413 generated through this may generate relatively less noise than the third depth information 411. Accordingly, the shape of the object measured through the depth information generated using a large number of light sources is closer to the actual shape of the object than the shape of the object measured through the depth information generated using a small number of light sources. can do.
  • the fourth depth information 413 since the fourth depth information 413 generates relatively less noise than the third depth information 411, the fourth depth information 413 may be determined by the machine-learning based model 410. In order to reduce the noise in the information 411, the third depth information 411 may be used as the reference depth information in the process of being trained to detect the noise in the third depth information 411.
  • the machine-learning based model 410 may be trained to transform the third depth information 411 to converge on the fourth depth information 413.
  • the third depth information 411 converted to converge to the fourth depth information 413 is referred to as transform depth information.
  • the machine-learning based model 410 may compare the transform depth information and the fourth depth information 413.
  • the machine-learning based model 410 may adjust a parameter for transforming the third depth information 411 based on the comparison result.
  • the machine-learning based model 410 may determine a parameter for transforming the third depth information 411 such that the third depth information 411 converges to the fourth depth information 413. have.
  • the machine-learning based model 410 may be trained to convert the third depth information 411 to converge to the fourth depth information 413.
  • the machine-learning based model 410 is trained to transform the third depth information 411 to converge to the fourth depth information 413, so that the number of images for the objects available in generating the depth information is relative. Even if it is insufficient, the shape of the object can be measured more accurately.
  • the machine-learning based model 410 may be trained to adjust the transform depth information using the two-dimensional image data 412 to more accurately represent the shape of the second object. For example, when a foreign material is added to a component mounted on a printed circuit board, the shape of the added foreign substance must be measured to more accurately inspect the mounting state of the component. Accordingly, the machine-learning based model 410 uses the two-dimensional image data 412 so that even when a foreign object or the like is added to the second object, the shape of the portion to which the foreign object is added can be represented through the transform depth information. Can be learned to adjust the transform depth information. For example, the machine-learning based model 410 determines whether to adjust the transform depth information by comparing the shape of the second object through the transform depth information with the shape of the second object through the 2D image data 412. Can be learned to.
  • the machine-learning based model 410 may convert the depth of the second object through the transform depth information and the shape of the second object through the 2D image data 412 within a preset range. Determined not to adjust the information, the machine-learning based model 410 may be trained to output transform depth information as third depth information 414 with reduced noise.
  • the machine-learning based model 410 may convert the depth of the second object through the transform depth information and the shape of the second object through the two-dimensional image data 412 when it is out of a preset range. Determined to adjust the information, the machine-learning based model 410 may be trained to adjust the transform depth information and output the adjusted transform depth information as the third depth information 414 with reduced noise.
  • the machine-learning based model 410 may be trained to detect noise in the third depth information 411.
  • the machine-learning based model 410 may be trained to detect noise in the third depth information 411 and output the third depth information 414 with reduced noise by reducing the detected noise. .
  • the machine-learning based model 410 may be trained to detect the first portion determined as noise in the third depth information 411 by comparing the transform depth information with the third depth information 411. .
  • the machine-learning based model 410 may be trained to detect a portion where a difference between the transform depth information and the third depth information 411 is greater than or equal to a preset threshold as the first portion.
  • the machine-learning based model 410 uses the two-dimensional image data 412 to detect noise more accurately, using the two-dimensional image data 412 to detect a second portion of the first portion, which is determined to be noise even though it is not actually noise. Can be learned to.
  • the machine-learning based model 410 determines the first part except the second part as the noise in the third depth information 411 except for the second part in the first part. Can be learned to.
  • the machine-learning based model 410 may be trained to determine the first portion as noise in the third depth information 411 when the second portion is not detected.
  • the machine-learning based model 410 may be trained to output the third depth information 414 with reduced noise by reducing the noise determined in the third depth information 411.
  • the machine-learning based model 420 is located below the fifth image sensor that has received the pattern light used for generating the third depth information 411 among the pattern light emitted from the plurality of third light sources. Learning to output the third depth information 422 with reduced noise by further using the seventh depth information 421 generated using the pattern light reflected from the second object received by the sixth image sensor disposed. Can be.
  • the machine-learning based model 420 may include first depth information and fifth depth information about a first object different from the second object based on a result of learning to output the third depth information 422 with reduced noise. And even if the 2D image data for the first object is input, the first depth information with reduced noise may be output.
  • the fifth image sensor may be the same as or different from the first image sensor 230.
  • the sixth image sensor may be the same as or different from the second image sensor 270.
  • Each of the fifth image sensor and the sixth image sensor may be different from the first image sensor 230 and the second image sensor 270, and the fifth image sensor and the sixth image sensor may be included in another printed circuit board inspection apparatus.
  • the height at which the fifth image sensor is disposed in the other printed circuit board inspection apparatus corresponds to the height at which the first image sensor 230 is disposed in the printed circuit board inspection apparatus 100, and the other printed circuit board is disposed.
  • the height at which the sixth image sensor is disposed in the inspection apparatus may correspond to the height at which the second image sensor 270 is disposed in the printed circuit board inspection apparatus 100.
  • the seventh depth information 421 may be further input to the machine-learning based model 420.
  • the machine-learning based model 420 may be trained to adjust the transform depth information using the two-dimensional image data 412 and the seventh depth information 421 to more accurately represent the shape of the second object.
  • the machine-learning based model 420 may include the shape of the second object through the transformation depth information and the shape of the second object through the two-dimensional image data 412 and the shape of the second object through the seventh depth information 421. By comparing, it can be learned to determine whether to adjust the transform depth information.
  • the machine-learning based model 420 may include the shape of the second object through the transform depth information and the shape of the second object through the two-dimensional image data 412 and the second through the seventh depth information 421.
  • the difference with each of the shapes of the object is within a preset range, it may be determined that the transform depth information is not adjusted, and the transform depth information may be learned to be output as the third depth information 422 having reduced noise.
  • the machine-learning based model 420 may include a shape of a second object through transform depth information, a shape of a second object through two-dimensional image data 412, and a second through seventh depth information 421. If the difference with each shape of the object is outside the preset range, it is determined to adjust the transform depth information, adjust the transform depth information, and convert the adjusted transform depth information into the third depth information 422 with reduced noise. Can be learned to output.
  • the machine-learning based model 420 uses the two-dimensional image data 412 and the seventh depth information 421 to more accurately detect the noise, and thus the noise in the third depth information 411.
  • the machine-learning based model 420 determines the first part including the second part except the second part as the noise in the third depth information 411 when the second part is detected. Can be learned to.
  • the machine-learning based model 420 may be trained to determine the first portion as noise in the third depth information 411 when the second portion is not detected.
  • the machine-learning based model 420 may be trained to output the third depth information 422 in which the noise is reduced by reducing the noise determined in the third depth information 411.
  • the machine-learning based model 410 even if the first depth information, the fifth depth information and the two-dimensional image data for the first object that is not the second object used for learning, 2 Using the dimensional image data, it can be learned to output the first depth information with reduced noise.
  • the fourth depth information 413 generated using the pattern light emitted from the plurality of fourth light sources includes a plurality of fourth light sources having a number greater than the number of the plurality of third light sources. It can be produced by the substrate inspection apparatus.
  • the fourth depth information 413 may be generated in a printed circuit board inspection apparatus including a plurality of third light sources having a number smaller than the number of the plurality of fourth light sources. In this case, a specific method of generating the fourth depth information 413 will be described with reference to FIG. 7.
  • 5A and 5B are conceptual diagrams for describing an operation of a machine-learning based model according to various embodiments of the present disclosure.
  • two-dimensional image data 512 for the first object may be input.
  • the machine-learning based model 510 is configured to include the first image.
  • the first depth information 511 may be generated using the image of the object.
  • the machine-learning based model 510 uses the two-dimensional image data 512 to obtain the first depth information 513 having reduced noise. You can print
  • reference depth information depth information generated by using light emitted from a plurality of fourth light sources larger than the number of third light sources
  • the machine-learning based model 510 The first depth information 511 converged to the reference depth information by using the transform depth information is called.
  • the machine-learning based model 510 may transform the first depth information 511 to converge on the reference depth information.
  • the machine-learning based model 510 may adjust the transformation depth information by using the 2D image data 512 to more accurately represent the shape of the first object. For example, the machine-learning based model 510 determines whether to adjust the transform depth information by comparing the shape of the first object through the transform depth information with the shape of the second object through the 2D image data 512. Can be.
  • the machine-learning based model 510 may include the transform depth. You may decide not to adjust the information. In this case, the machine-learning based model 510 may output the transform depth information as the first depth information 513 having reduced noise.
  • the machine-learning based model 510 may convert the depth of the first object through the transform depth information and the shape of the second object through the 2D image data 512 when it is out of a preset range. You can decide to adjust the information. In this case, the machine-learning based model 510 may adjust the transform depth information and output the adjusted transform depth information as the first depth information 513 having reduced noise.
  • the machine-learning based model 510 may detect noise in the first depth information 511.
  • the machine-learning based model 510 may detect noise in the first depth information 511, and output the first depth information 513 in which the noise is reduced by reducing the detected noise.
  • the machine-learning based model 510 may detect the first portion determined as noise in the first depth information 511 by comparing the transform depth information with the first depth information 511. For example, the machine-learning based model 510 may detect, as the first part, a portion where a difference between the transform depth information and the first depth information 511 is equal to or greater than a preset threshold.
  • the machine-learning based model 510 uses the two-dimensional image data 512 to detect noise more accurately, using the two-dimensional image data 512 to detect a second portion of the first portion that is determined to be noise even though it is not actually noise. can do.
  • the machine-learning based model 510 determines the first part except the second part as the noise in the first depth information 511 when the second part is excluded, except for the second part. Can be.
  • the machine-learning based model 510 may determine the first part as noise in the first depth information 511.
  • the machine-learning based model 510 may output the first depth information 513 in which the noise is reduced by reducing the noise determined in the first depth information 511.
  • Sixth depth information 521 generated by using light may be further input.
  • the machine-learning based model ( 520 may generate sixth depth information 521 using an image of the first object.
  • the machine-learning based model 520 receives the two-dimensional image data 512 and the sixth depth information 421. ), It can be learned to output the second depth information 522 with reduced noise.
  • the sixth depth information 421 may be further input to the machine-learning based model 520.
  • the machine-learning based model 520 may adjust the transformation depth information by using the 2D image data 512 and the sixth depth information 521 so that the shape of the first object may be more accurately represented.
  • the machine-learning based model 520 converts the shape of the first object through the shape of the first object through the two-dimensional image data 512 and the shape of the first object through the sixth depth information 521. It is possible to determine whether to adjust the depth information.
  • the machine-learning gibbna model 520 may include a shape of a second object through transform depth information, a shape of a second object through two-dimensional image data 521, and a second through sixth depth information 521.
  • the difference with each of the shapes of the object is within a preset range, it may be determined that the transformation depth information is not adjusted.
  • the machine-learning based model 520 may output the transform depth information as the first depth information 522 with reduced noise.
  • the machine-learning based model 520 may include a shape of a first object through transform depth information, a shape of a second object through two-dimensional image data 512, and a second through sixth depth information 521. If the difference with each of the shapes of the object is outside the preset range, it may be determined to adjust the transformation depth information. In this case, the machine-learning based model 520 may adjust the transform depth information and output the adjusted transform depth information as the first depth information 522 with reduced noise.
  • the machine-learning based model 520 uses two-dimensional image data 512 and sixth depth information 521 to more accurately detect noise, and thus, noise in the first depth information 511.
  • the second part determined to be noise may be detected even though the noise is not actually noise.
  • the machine-learning based model 520 determines, as the noise in the first depth information 511, the first part excluding the second part from the first part, except for the second part. Can be.
  • the machine-learning based model 520 may determine the first part as noise in the first depth information 511.
  • the machine-learning based model 520 may output the first depth information 522 in which the noise is reduced by reducing the noise determined in the first depth information 511.
  • the printed circuit board inspection apparatus 100 uses the machine-learning based models 510 and 520 to obtain unreceived signals or peak signals, even if a relatively small number of image data is acquired to generate depth information. Noise can be removed from the depth information of the part.
  • the printed circuit board inspection apparatus 100 may recover the lost shape using the machine-learning based models 510 and 520. Depth information can be generated for parts as much as possible.
  • the printed circuit board inspection apparatus 100 may detect the three-dimensional sharpness of the corners of the parts as much as possible without performing the restoration of the joint shape of the parts without additionally damaging the measured foreign material shape.
  • FIG. 6 is a conceptual diagram illustrating a learning method of a machine-learning based model according to various embodiments of the present disclosure.
  • the machine-learning based model 620 may include a CNN, a GAN, and the like. Hereinafter, a method of learning a machine-learning based model will be described based on a GAN capable of performing image transformation using U-net.
  • the machine-learning based model 620 may include a generator 621 and a discriminator 622.
  • the third generation information 611 of the second object generated using the pattern light reflected from the second object of the pattern light irradiated from the plurality of third light sources is input to the generation unit 621.
  • fourth depth information 612 of the second object generated by using the pattern light reflected from the second object among the pattern light emitted from the plurality of fourth light sources may be input.
  • the generation unit 621 may generate the converted third depth information by converting the third depth information 611 to converge to the fourth depth information 612.
  • the distinguishing unit 622 may distinguish the converted third depth information and the fourth depth information 612 by comparing the converted third depth information with the fourth depth information 612.
  • the distinguishing unit 622 may transmit a result of distinguishing the converted third depth information and the fourth depth information 612 to the generation unit 621.
  • the generation unit 621 may adjust a parameter for converting the third depth information 611 according to the result received from the discriminating unit 622. This process is repeated until the distinguishing unit 622 cannot distinguish the converted third depth information and the fourth depth information 612, so that the generation unit 621 converges on the fourth depth information 612.
  • the generation unit 621 the third depth information 611 and the fourth depth information 612 for a particular component and the light of the first wavelength, the light of the second wavelength, the light and the third wavelength of the component
  • the generation unit 621 has a poor quality among the third depth information 611 and the fourth depth information 612 ( If at least one pixel has depth information of one channel such as shadow area, saturation area, and SNR, which is significantly lower than a preset reference value by comparing another channel, the part data is excluded from the training data. May be additionally performed.
  • FIG. 7 is a diagram for describing a method of obtaining depth information used for learning a machine-learning based model according to various embodiments of the present disclosure.
  • the fourth depth information 413 described with reference to FIGS. 4A and 4B may be generated in the printed circuit board inspection apparatus in which the third depth information 411 and the seventh depth information 421 are generated.
  • the number of the plurality of third light sources 710 is four and the number of the plurality of fourth light sources is eight.
  • the processor of the printed circuit board inspection apparatus 100 controls the plurality of third light sources 710 to irradiate the pattern light with the component mounted on the printed circuit board, and uses the pattern light reflected from the component to form a third light source.
  • the plurality of third light sources 710 may be moved in a clockwise or counterclockwise direction.
  • the processor controls the plurality of third light sources 710 moved in the clockwise or counterclockwise direction to irradiate the pattern light with the component mounted on the printed circuit board, and the pattern light and the third depth information 411 reflected from the component.
  • Using the fourth depth information 413 may be generated.
  • the number of the plurality of third light sources 710 has been described as four, but this is only for the purpose of description and the present disclosure is not limited thereto.
  • the third light source 710 may be one but not a plurality.
  • the fourth depth information 413 may be generated in the printed circuit board inspection apparatus including a plurality of third light sources having a number smaller than the number of the plurality of fourth light sources.
  • FIG. 8 illustrates an image of a component generated using depth information with reduced noise by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 generates depth information on a component using pattern light reflected from the component among pattern light irradiated to the component mounted on the printed circuit board from the plurality of first light sources. can do.
  • the printed circuit board inspection apparatus 100 may generate a 3D image of the component by using the generated depth information.
  • noise may occur in the process of multiple reflection of the light irradiated onto the printed circuit board or the processing of the received light by the image sensor. If the generated noise is not reduced, the quality of the 3D image of the component generated by the printed circuit board inspection apparatus 100 may be degraded, and an accurate inspection of the mounting state of the component may not be performed.
  • the printed circuit board inspection apparatus 100 uses a machine-learning based model to reduce noise in depth information on the part, and to generate a three-dimensional image of the part using the reduced depth information on the part. can do. Since the three-dimensional image generated by using the depth information with reduced noise can more accurately display the shape of the part, a more accurate inspection of the mounting state of the part can be performed.
  • the printed circuit board inspection apparatus 100 when the printed circuit board inspection apparatus 100 generates a three-dimensional image of a part by using depth information without reducing noise, due to noise, the part and the printed circuit board
  • the shape 810 of the connecting portion of (eg, solder paste, etc.) may appear as an abnormal shape in a three-dimensional image or as if there are holes.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the shape 811 of the component and the connecting portion (eg, solder paste, etc.) of the printed circuit board can be displayed more accurately in the three-dimensional image.
  • the boundary of the component due to the noise may be displayed as an abnormal shape in the 3D image.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the shape 821 of the boundary of the part can be displayed more accurately in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 when the printed circuit board inspection apparatus 100 generates a 3D image of a part by using the generated depth information as it is, due to noise, as shown in the hole inside the part.
  • the internal shape 830 of the part may be displayed as an abnormal shape in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the internal shape 831 of the part can be displayed more accurately in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 displays the shape of the part more accurately through the three-dimensional image generated by using the depth information with reduced noise, so that a more accurate inspection of the mounting state of the part may be performed. have.
  • Computer-readable recording media include all kinds of recording devices that store data that can be read by a computer system. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
  • functional programs, codes, and code segments for implementing the above embodiments can be easily inferred by programmers in the art to which the present disclosure belongs.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Supply And Installment Of Electrical Components (AREA)
  • Medical Informatics (AREA)

Abstract

인쇄 회로 기판 검사 장치는, 이미지 센서에 의해 수신되는 인쇄 회로 기판에 실장된 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 깊이 정보를 생성하고, 제1 이미지 센서에 의해 수신되는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 2차원 이미지 데이터를 생성하고, 깊이 정보 및 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력하고, 노이즈가 감소된 깊이 정보를 머신-러닝 기반 모델로부터 획득하고, 노이즈가 감소된 깊이 정보를 이용하여, 부품의 실장 상태를 검사할 수 있다.

Description

부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
본 개시는 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
일반적으로, 인쇄 회로 기판에 표면 실장 기술(SMT: Surface Mounter Technology)을 이용한 제조 공정에서, 스크린 프린터는 솔더 페이스트들을 인쇄 회로 기판에 인쇄하고, 마운터는 솔더 페이스트들이 인쇄된 인쇄 회로 기판에 부품들을 실장한다.
또한, 인쇄 회로 기판에 실장된 부품들의 실장 상태를 검사하기 위하여 자동 광학 외관 검사 장치(AOI: Automated Optical Inspection)가 이용되고 있다. AOI 장치는 인쇄 회로 기판에 대한 촬상 이미지를 이용하여, 부품들이 인쇄 회로 기판에 위치 이탈, 들뜸, 기울임 등 없이 정상적으로 실장 되었는지 여부를 검사한다.
한편, AOI 장치가 인쇄 회로 기판에 대한 이미지를 생성하는 과정에서, 인쇄 회로 기판에 조사된 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 즉, 광학적 노이즈 및 신호적인 노이즈가 다양하게 발생될 수 있으며, 이와 같이 발생된 노이즈가 감소되지 않으면, AOI 장치에서 생성되는 인쇄 회로 기판 촬상 이미지의 품질이 저하될 수 있다. 인쇄 회로 기판 촬상 이미지의 품질이 저하되면, 인쇄 회로 기판 촬상 이미지를 이용하는 인쇄 회로 기판에 실장된 부품들의 실장 상태에 대한 검사가 정확히 수행되지 않을 수 있다.
본 개시는, 부품에 대한 깊이 정보(depth information) 및 부품에 대한 2차원 이미지 데이터에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치를 제공할 수 있다.
본 개시는, 부품에 대한 깊이 정보 및 부품에 대한 2차원 이미지 데이터에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하도록 하는 실행 가능한 명령을 포함하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체를 제공할 수 있다.
본 개시는, 부품에 대한 깊이 정보 및 부품에 대한 2차원 이미지 데이터에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하는 방법을 제공할 수 있다.
본 개시의 일 실시예에 따르면, 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치는, 상기 부품에 패턴광을 조사하는 복수의 제1 광원, 상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하는 적어도 하나의 제2 광원, 상기 부품으로부터 반사된 패턴광, 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신하는 제1 이미지 센서, 복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제2 깊이 정보를 생성하고, 상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 상기 제1 파장의 광, 상기 제2 파장의 광, 상기 제3 파장의 광 및 상기 제4 파장의 광을 이용하여 생성된 상기 부품에 대한 2차원 이미지 데이터를 상기 제1 이미지 센서로부터 수신하고, 상기 제2 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 상기 머신-러닝 기반 모델에 입력하고, 노이즈가 감소된 상기 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수와 동일하고, 상기 복수의 제4 광원의 수는 상기 복수의 제1 광원의 수보다 클 수 있다.
일 실시예에서, 상기 제1 파장의 광은 적색 광이고, 상기 제2 파장의 광은 녹색 광이고, 상기 제3 파장의 광은 청색 광이고, 상기 제4 파장의 광은 백색 광일 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품에 대한 3차원 이미지를 생성하고, 상기 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치는, 상기 제1 이미지 센서 보다 하측에 배치된 제2 이미지 센서를 더 포함하고, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제1 깊이 정보 생성에 이용된 패턴광을 수신한 제3 이미지 센서보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 상기 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제5 깊이 정보가 더 입력되면, 상기 제5 깊이 정보를 더 이용하여, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 제2 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 패턴광을 이용하여 상기 부품에 대한 제6 깊이 정보를 생성하고, 상기 제6 깊이 정보를 상기 머신-러닝 기반 모델에 더 입력할 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, 인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계, 상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하도록 적어도 하나의 제2 광원을 제어하는 단계, 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계, 상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 상기 부품에 대한 2차원 이미지 데이터를 생성하는 단계, 상기 제1 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력하는 단계, 노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계 및 상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는 단계를 수행하도록 하는 실행 가능한 명령을 포함하고, 상기 머신-러닝 기반 모델은, 복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제2 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제2 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수와 동일하고, 상기 복수의 제4 광원의 수는 상기 복수의 제1 광원의 수보다 클 수 있다.
일 실시예에서, 상기 제1 파장의 광은 적색 광이고, 상기 제2 파장의 광은 녹색 광이고, 상기 제3 파장의 광은 청색 광이고, 상기 제4 파장의 광은 백색 광일 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함할 수 있다.
일 실시예에서, 상기 실행 가능한 명령은, 상기 프로세서가, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하는 단계 및 상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는 단계를 더 수행하도록 할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제1 깊이 정보 생성에 이용된 패턴광을 수신한 제3 이미지 센서 보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 상기 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제5 깊이 정보가 더 입력되면, 상기 제5 깊이 정보를 더 이용하여, 상기 노이즈가 감소된 상기 제2 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 실행 가능한 명령은, 상기 프로세서가, 상기 제2 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 패턴광을 이용하여 상기 부품에 대한 제6 깊이 정보를 생성하는 단계 및 상기 제6 깊이 정보를 상기 머신-러닝 기반 모델에 더 입력하는 단계를 더 수행하도록 할 수 있다.
본 개시의 일 실시예에 따르면, 인쇄 회로 기판 검사 장치에서, 부품의 실장 상태를 검사하는 방법은, 인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계, 상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하도록 적어도 하나의 제2 광원을 제어하는 단계, 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계, 상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 상기 부품에 대한 2차원 이미지 데이터를 생성하는 단계, 상기 제1 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력하는 단계, 노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계 및 상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는 단계를 포함하고, 상기 머신-러닝 기반 모델은, 복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제2 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제2 깊이 정보를 출력할 수 있다.
일 실시예에 있어서, 상기 머신-러닝 기반 모델은, 상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치는, 부품에 대한 깊이 정보 및 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델을 통해 처리함으로써, 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사할 수 있다. 인쇄 회로 기판 검사 장치는, 깊이 정보를 생성하기 위해 상대적으로 적은 수의 이미지 데이터가 획득되더라도, 머신-러닝 기반 모델을 이용하여, 미수신 신호 또는 피크 신호 등의 노이즈를 부품에 대한 깊이 정보에서 제거하고, 상대적으로 적은 수의 이미지 데이터가 획득되어 깊이 정보를 생성하기 위한 정보가 부족하더라도, 머신-러닝 기반 모델을 이용하여 소실된 형상이 복원되도록 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치는 부품의 모서리 등에 대한 3차원 선명도는 최대한 보정하면서도 부품의 조인트 형상의 오복원을 수행하고 않고, 추가적으로 측정된 이물 형상을 훼손하지 않고, 검출할 수 있다.
이와 같이, 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 인쇄회로 기판에 실장된 부품 및 솔더 페이스트에 대해, 실제 부품 및 솔더 페이스트의 형상과 최대한 유사한 수준으로 형상 복원을 수행함으로써, 보다 정확하게 부품의 실장 상태를 검사할 수 있다.
도 1은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치를 도시한다.
도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.
도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의한 부품의 실장 상태를 검사하는 방법의 흐름도이다.
도 4a 및 도 4b는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 5a 및 도 5b는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 동작을 설명하기 위한 개념도이다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습에 이용되는 깊이 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의해 노이즈가 감소된 깊이 정보를 이용하여 생성된 부품에 대한 이미지를 도시한다.
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 용어 "부"는, 소프트웨어, 또는 FPGA(Field-Programmable Gate Array), ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미한다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함한다. 구성요소와 "부" 내에서 제공되는 기능은 더 작은 수의 구성요소 및 "부"로 결합되거나 추가적인 구성요소와 "부"로 더 분리될 수 있다.
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 장치를 도시한다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 인쇄 회로 기판(110)에 실장된 적어도 하나의 부품의 실장 상태를 검사할 수 있다. 이송부(120)는 인쇄 회로 기판(110)을 부품의 실장 상태를 검사 하기 위해 미리 설정된 위치로 이동시킬 수 있다. 또한, 이송부(120)는 인쇄 회로 기판 검사 장치(100)에 의해 검사가 완료되면, 검사가 완료된 인쇄 회로 기판(110)을 미리 설정된 위치에서 이탈하도록 이동시키고, 다른 인쇄 회로 기판(111)을 미리 설정된 인쇄 회로 기판으로 이동시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 제1 광원(101), 제1 이미지 센서(102), 프레임(103), 제2 이미지 센서(104) 및 제2 광원(105)을 포함할 수 있다. 도 1에 도시된 제1 광원(101), 제1 이미지 센서(102), 프레임(103), 제2 이미지 센서(104) 및 제2 광원(105) 각각의 개수 및 배치 상태는 설명의 목적일 뿐, 이에 제한되는 것은 아니다. 예를 들어, 도 1에 도시된 이미지 센서(102)의 위치에 하나의 제1 광원(101)이 배치되고, 도 1 에 도시된 제1 광원(101)의 위치에 복수의 이미지 센서가 배치될 수도 있으며, 제1 광원(101), 이미지 센서(102)는 복수의 프레임(103)을 통해 다양한 방향 및 각도로 배치될 수도 있다.
일 실시예에서, 제1 광원(101)은 부품의 실장 상태를 검사 하기 위해 미리 설정된 위치로 이동된 인쇄 회로 기판(110)에 패턴광을 조사할 수 있다. 제1 광원(101)은 복수 개인 경우, 서로 다른 조사 방향, 서로 다른 조사 각도 등을 가지도록 배치될 수 있다. 또한, 제1 광원(101)이 복수 개인 경우, 제1 광원(101)에서 조사되는 패턴광의 피치 간격 등은 서로 상이할 수 있다. 예를 들어, 패턴광은 인쇄 회로 기판(110)에 대한 3차원 형상을 측정하기 위하여 조사되는, 일정한 주기를 갖는 패턴을 갖는 광일 수 있다. 제1 광원(101)은 줄무늬의 밝기가 사인파 형태를 띠는 패턴광, 밝은 부분과 어두운 부분이 반복되어 표시되는 온-오프(on-off) 형태의 패턴광 또는 밝기의 변화가 삼각형 파형인 삼각파 패턴광 등을 조사할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제1 광원(101)은 밝기의 변화가 일정한 주기를 갖고 반복되는 다양한 형태의 패턴을 포함하는 광을 조사할 수 있다.
일 실시예에서, 제2 광원(105)은 인쇄 회로 기판(110)에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사할 수 있다. 예를 들어, 제2 광원(105)은 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 하나만을 조사하거나, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 순차적으로 조사하거나 적어도 두 개의 광을 동시에 조사할 수 있다.
일 실시예에서, 제1 이미지 센서(102)는 인쇄 회로 기판(110) 및 인쇄 회로 기판(110)에 실장된 부품으로부터 반사된 패턴광, 반시된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신할 수 있다. 제1 이미지 센서(102)는 수신된 패턴광, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 이용하여 이미지 데이터를 생성할 수 있다.
일 실시예에서, 제2 이미지 센서(104)는 제1 이미지 센서(102) 보다 하측에 배치될 수 있다. 제2 이미지 센서(104)는 인쇄 회로 기판(110) 및 인쇄 회로 기판(110)에 실장된 부품으로부터 반사된 패턴광, 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신할 수 있다. 제2 이미지 센서(104)는 수신된 패턴광, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 이용하여 이미지 데이터를 생성할 수 있다. 예를 들어, 제1 이미지 센서(102) 및 제2 이미지 센서(104)는 CCD(Charge Coupled Device) 카메라, CMOS(Complementary Metal Oxide Semiconductor,) 카메라 등을 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 다양한 이미지 센서가 제1 이미지 센서(102) 및 제2 이미지 센서(104)로 이용될 수 있다.
일 실시예에서, 제1 광원(101), 제1 이미지 센서(102) 및 제2 이미지 센서(104)는 제1 프레임(103)에 고정될 수 있다. 또한, 제2 광원(105)은 제1 프레임(103)과 연결된 제2 프레임(106)에 고정될 수 있다. 예를 들어, 제2 광원(105)이 복수 개인 경우, 복수의 제2 광원(105) 중 일부는 지면을 기준으로 동일한 높이를 가지도록 제2 프레임(106)에 고정될 수도 있고, 복수의 제2 광원(105) 중 다른 일부는 서로 다른 높이를 가지도록 제2 프레임(106)에 고정될 수도 있다. 이와 같이, 복수의 제2 광원(105)은 제2 프레임(106) 상에 서로 다른 위치 또는 높이를 가지도록 배치됨으로써, 복수의 제2 광원(105) 각각으로부터 조사되는 각 파장의 광은 인쇄 회로 기판(110)에 서로 다른 각도로 조사될 수 있다. 또한, 복수의 제2 광원은 배치된 높이에 따라 서로 다른 적어도 하나의 파장의 광을 조사하도록 구성될 수 있다. 예를 들어, 복수의 제2 광원(105) 중 제2 프레임(106) 상에 제1 높이를 가지도록 배치된 복수의 제2 광원(105)은 제1 파장의 광을 조사하고, 복수의 제2 광원(105) 중 제2 프레임(106) 상에 제2 높이를 가지도록 배치된 복수의 제2 광원(105)은 제2 파장의 광을 조사하고, 복수의 제2 광원(105) 중 제2 프레임 (106) 상에 제3 높이를 가지도록 배치된 복수의 제2 광원(105)은 제3 파장의 광 및 제4 파장의 광을 조사하도록 구성될 수도 있다.
도 1에서는 제2 프레임(106)이 링 형상으로 도시되었으나, 이에 제한되는 것은 아니다. 또한, 도 1에서는 제2 광원(105)이 제2 프레임(106)에 고정되는 것으로 도시하였으나, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제2 광원(105) 역시 제1 프레임(103)에 고정되도록 배치될 수 있다. 이 경우, 제2 프레임(106)은 인쇄 회로 기판 검사 장치(100)에 포함되지 않을 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 제1 광원(210), 제2 광원(220), 제1 이미지 센서(230), 메모리(240) 및 프로세서(250)를 포함할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 제2 이미지 센서(270) 또는 통신 회로(260)를 더 포함할 수 있다. 인쇄 회로 기판 검사 장치(100)에 포함된 각 구성 요소들은 서로 전기적으로 연결되어 신호, 데이터 등을 송수신할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 복수의 제1 광원(210)을 포함할 수 있다. 제1 광원(210)은 검사 대상(예: 인쇄 회로 기판 등)에 패턴광을 조사할 수 있다. 예를 들어, 제1 광원(210)은 검사 대상 전체에 패턴광을 조사하거나, 검사 대상에 포함된 객체(예: 인쇄 회로 기판에 실장된 부품 등)에 패턴광을 조사할 수 있다. 이하에서는 설명의 편의를 위해, 제1 광원(210)이 인쇄 회로 기판에 실장된 부품에 패턴 광을 중심으로 설명하나, 이에 제한되는 것은 아니며, 제1 광원(210)은 검사 대상인 인쇄 회로 기판 전체 또는 인쇄 회로 기판에 실장된 적어도 하나의 부품을 포함하는 인쇄 회로 기판의 일 영역에 패턴광을 조사할 수 있다.
일 실시예에서, 제1 광원(210)은 광원(미도시), 격자(미도시), 격자 이송장치(미도시) 및 투영 렌즈부(미도시)를 포함할 수 있다. 격자는 광원에서 조사된 광을 패턴광으로 변환시킬 수 있다. 격자는 위상천이된 패턴광을 발생시키기 위해, 예를 들어 PZT(piezo actuator)와 같은 격자 이송 기구를 통해 이송될 수 있다. 투영 렌즈부는 격자에 의해 생성된 패턴광을 검사 대상에 포함된 객체인 인쇄 회로 기판에 실장된 부품에 조사되도록 할 수 있다. 또한, 제1 광원(210)은 LCD(Liquid Crystal Display), DLP(Digital Light Processing) 및 LCOS(Liquid Crystal On Silicon) 등과 같은 다양한 방법을 통해서 패턴광을 형성하여 검사 대상에 포함된 객체인 인쇄 회로 기판에 실장된 부품에 조사되도록 할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 적어도 하나의 제2 광원(220)을 포함할 수 있다. 제2 광원(220)은 검사 대상에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사할 수 있다. 예를 들어, 제2 광원(220)은 검사 대상 전체 또는 검사 대상에 포함된 객체에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사할 수 있다. 이하에서는 설명의 편의를 위해, 제2 광원(220)이 인쇄 회로 기판에 실장된 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하는 것을 중심으로 설명하나, 이에 제한되는 것은 아니며, 제2 광원(220)은 검사 대상인 인쇄 회로 기판 전체 또는 인쇄 회로 기판에 실장된 적어도 하나의 부품을 포함하는 인쇄 회로 기판의 일 영역에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사할 수 있다.
일 실시예에서, 제2 광원(220)은 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 하나만을 조사하거나, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 순차적으로 조사하거나 적어도 두 개의 광을 동시에 조사할 수 있다. 예를 들어, 제1 파장의 광은 적색 광이고, 제2 파장의 광은 녹색 광이고, 제3 파장의 광은 청색 광이고, 제4 파장의 광은 백색 광일 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광은 서로 다른 파장을 가지는 광일 수 있다.
일 실시예에서, 제1 이미지 센서(230)는 부품으로부터 반사된 패턴광, 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신할 수 있다. 제1 이미지 센서(230)는 부품으로부터 반사된 패턴광, 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신하고, 수신된 패턴광, 수신된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 이미지 데이터를 생성할 수 있다. 예를 들어, 제1 이미지 센서(230)는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신하여 부품에 대한 2차원 이미지 데이터를 생성할 수 있다. 제1 이미지 센서(230)는 생성된 부품에 대한 이미지 데이터를 프로세서(250)로 전달할 수 있다.
일 실시예에서, 메모리(240)는 인쇄 회로 기판 검사 장치(100)의 적어도 하나의 다른 구성 요소에 관계된 명령 또는 데이터를 저장할 수 있다. 또한, 메모리(240)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 예를 들어, 메모리(240)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 휘발성 메모리(예: DRAM, SRAM 또는 SDRAM 등), 비휘발성 메모리(예: 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD)) 중 적어도 하나를 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 인쇄 회로 기판 검사 장치(100)와 기능적으로 또는 물리적으로 연결될 수 있다.
일 실시예에서, 메모리(240)는 프로세서(250)를 동작하도록 하는 명령들을 저장할 수 있다. 예를 들어, 메모리(240)는 프로세서(250)가 인쇄 회로 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동하도록 하는 명령들을 저장할 수 있다. 프로세서(250)는 메모리(240)에 저장된 명령들에 기초하여 인쇄 회로 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동할 수 있다. 이하에서는 인쇄 회로 기판 검사 장치(100)의 각 구성 요소들을 주체로 인쇄 회로 기판 검사 장치(100)의 동작을 설명하도록 한다. 또한, 각 구성 요소들에 의한 동작을 수행하도록 하는 명령들이 메모리(240)에 저장될 수 있다.
일 실시예에서, 메모리(240)는 머신-러닝 기반 모델을 저장할 수 있다. 머신-러닝 기반 모델은 복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 제1 깊이 정보 및 제1 객체에 대한 2차원 이미지 데이터를 입력 받을 수 있다. 예를 들어, 제1 깊이 정보는 제1 객체의 형태, 픽셀별 색상 정보, 밝기 정보, 높이값 중 적어도 하나를 포함할 수 있다. 또한, 제1 객체에 대한 2차원 이미지 데이터는 제1 객체로부터 반사된 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 이용하여 생성되고, 2차원 이미지 데이터는 제1 객체로부터 반사된 파장 별 색상 정보를 포함할 수 있다.
예를 들어, 복수의 제3 광원과 복수의 제1 광원(210)은 동일할 수도 있고, 상이할 수도 있다. 복수의 제3 광원이 복수의 제1 광원(210)과 상이하더라도, 복수의 제3 광원의 수는 복수의 제1 광원(210)의 수와 동일할 수 있다. 또한, 복수의 제3 광원이 다른 인쇄 회로 기판 검사 장치에 포함되더라도, 다른 인쇄 회로 기판 검사 장치 내에서의 복수의 제3 광원의 배치 위치는 인쇄 회로 기판 검사 장치(100) 내의 복수의 제1 광원의 배치 위치와 대응될 수 있다. 머신-러닝 기반 모델은 제1 깊이 정보 및 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
예를 들어, 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 깊이 정보는 제1 객체에 조사된 패턴 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 예를 들어, 노이즈는 제1 깊이 정보 중 제1 객체의 형상과 대응되지 않거나 제1 객체와 관련이 없다고 판단되는 부분일 수 있다. 머신-러닝 기반 모델은 제1 객체에 대한 이미지, 예를 들어 제1 객체에 대한 3차원 이미지의 품질을 향상시키기 위하여, 제1 객체에 대한 2차원 이미지 데이터를 이용하여 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습될 수 있다. 머신-러닝 기반 모델로는 CNN(Convolutional Neural Network), GAN(Generative Adversarial Network) 등을 포함할 수 있다. 머신-러닝 기반 모델에 제1 깊이 정보 및 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 머신-러닝 기반 모델이 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한다.
또한, 머신-러닝 기반 모델은 인쇄 회로 기판 검사 장치(100)와 유선 또는 무선으로 연동된 외부 전자 장치 또는 서버의 메모리에 저장될 수도 있다. 이 경우, 인쇄 회로 기판 검사 장치(100)는 유선 또는 무선으로 연동된 외부 전자 장치 또는 서버와 제1 깊이 정보의 노이즈를 감소시키기 위하여 정보를 송수신할 수 있다.
일 실시예에서, 프로세서(250)는 운영 체제 또는 응용 프로그램을 구동하여, 인쇄 회로 기판 검사 장치(100)의 적어도 하나의 다른 구성 요소를 제어할 수 있고, 각종 데이터 처리 및 연산 등을 수행할 수 있다. 예를 들어, 프로세서(250)는 중앙처리장치 등을 포함할 수 있고, SoC(System on Chip)으로 구현될 수도 있다.
일 실시예에서, 통신 회로(260)는 외부 전자 장치 또는 외부 서버와 통신을 수행할 수 있다. 예를 들어, 통신 회로(260)는 인쇄 회로 기판 검사 장치(100)와 외부 전자 장치 간의 통신을 설정할 수 있다. 통신 회로(260)는 무선 통신 또는 유선 통신을 통해서 네트워크와 연결되어 외부 전자 장치 또는 외부 서버와 통신할 수 있다. 또 다른 예로, 통신 회로(260)는 외부 전자 장치와 유선으로 연결되어 통신을 수행할 수도 있다.
무선 통신은, 예를 들면, 셀룰러 통신(예: LTE, LTE-A(LTE Advance), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), UMTS(Universal Mobile Telecommunications System), WiBro(Wireless Broadband) 등)을 포함할 수 있다. 또한, 무선 통신은, 근거리 무선 통신(예: WiFi(Wireless Fidelity), LiFi(Light Fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(Near Field Communication) 등)을 포함할 수 있다.
일 실시예에서, 프로세서(250)는 제1 이미지 센서(230)에 의해 수신되는 인쇄 회로 기판에 실장된 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 예를 들어, 프로세서(250)는 제1 이미지 센서(230)에 의해 생성되는 부품으로부터 반사된 패턴광을 이용하여 생성된 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 또 다른 예로, 제1 이미지 센서(230)가 수신되는 패턴광에 대한 정보를 프로세서(250)로 전달하고, 프로세서(250)가 부품에 대한 이미지를 생성하고, 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수도 있다. 프로세서(250)는 광 삼각 방식 또는 버킷 알고리즘(bucket algorithm) 등을 부품에 대한 이미지에 적용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 다양한 방식을 통해 부품에 대한 제2 깊이 정보가 생성될 수 있다.
일 실시예에서, 프로세서(250)는 제1 이미지 센서(230)로부터 부품에 대한 2차원 이미지 데이터를 수신할 수 있다. 예를 들어, 제1 이미지 센서(230)는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 2차원 이미지 데이터를 생성하고, 생성된 부품에 대한 2차원 이미지 데이터를 프로세서(250)로 전달할 수 있다. 또한, 제1 이미지 센서(230)가 수신된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광에 대한 정보를 프로세서(250)로 전달하고, 프로세서(250)가 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광에 대한 정보를 이용하여, 부품에 대한 2차원 이미지를 생성할 수도 있다.
일 실시예에서, 프로세서(250)는 제2 깊이 정보 및 부품에 대한 2차원 이미지를 머신-러닝 기반 모델에 입력할 수 있다. 예를 들어, 프로세서(250)는 머신-러닝 기반 모델이 메모리(240)에 저장되어 있는 경우, 머신-러닝 기반 모델에 직접 제2 깊이 정보 및 부품에 대한 2차원 이미지를 입력할 수 있다. 또 다른 예로, 프로세서(250)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 제2 깊이 정보 및 부품에 대한 2차원 이미지를 외부 전자 장치 또는 외부 서버로 송신하도록 통신 회로(260)를 제어할 수 있다.
일 실시예에서, 프로세서(250)는 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 예를 들어, 프로세서(250)는 머신-러닝 기반 모델이 메모리(240)에 저장되어 있는 경우, 머신-러닝 기반 모델로부터 직접 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다. 또 다른 예로, 프로세서(250)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 외부 전자 장치 또는 외부 서버로부터 통신 회로(260)를 통해 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다.
일 실시예에서, 프로세서(250)는 노이즈가 감소된 제2 깊이 정보를 이용하여, 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서(250)는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 또한, 프로세서(250)는 생성된 부품에 대한 3차원 이미지를 이용하여 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서(250)는 부품에 대한 3차원 이미지를 이용하여, 부품이 미리 설정된 위치에 실장되어 있는지 여부, 부품이 미리 설정된 방향으로 실장되어 있는지 여부, 부품의 적어도 일부분이 기울어져서 실장되어 있는 지 여부, 부품에 이물질(foreign object)이 있는지 여부 등을 검사함으로써 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 제2 이미지 센서(270)는 제1 이미지 센서(230) 보다 하측에 배치될 수 있다. 예를 들어, 제2 이미지 센서(270)는 지면을 기준으로 제1 이미지 센서(230)의 높이 보다 더 낮은 높이를 가지도록 배치될 수 있다. 제2 이미지 센서(270)는 반사된 패턴광, 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신하고, 수신된 패턴광, 수신된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 이미지 데이터를 생성할 수 있다. 예를 들어, 제2 이미지 센서(270)는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 수신하여 부품에 대한 2차원 이미지 데이터를 생성할 수 있다. 제2 이미지 센서(270)는 생성된 부품에 대한 이미지 데이터를 프로세서(250)로 전달할 수 있다.
일 실시예에서, 머신-러닝 기반 모델은 복수의 제3 광원으로부터 조사된 패턴광 중, 제1 깊이 정보 생성에 이용된 패턴광을 수신한 제3 이미지 센서보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제5 깊이 정보를 더 입력 받을 수 있다. 예를 들어, 제3 이미지 센서는 제1 이미지 센서(230)와 동일할 수도 있고, 상이할 수도 있다. 또한, 제4 이미지 센서는 제2 이미지 센서(270)와 동일할 수도 있고, 상이할 수도 있다. 제3 이미지 센서와 제4 이미지 센서 각각이 제1 이미지 센서(230) 및 제2 이미지 센서(270)와 상이하고, 제3 이미지 센서와 제4 이미지 센서가 다른 인쇄 회로 기판 검사 장치에 포함될 수 있다. 이 경우, 다른 인쇄 회로 기판 검사 장치 내에서의 제3 이미지 센서가 배치된 높이는 인쇄 회로 기판 검사 장치(100) 내에서의 제1 이미지 센서(230)가 배치된 높이와 대응되고, 다른 인쇄 회로 기판 검사 장치 내에서의 제4 이미지 센서가 배치된 높이는 인쇄 회로 기판 검사 장치(100) 내에서의 제2 이미지 센서(270)가 배치된 높이와 대응될 수 있다. 머신-러닝 기반 모델은, 제5 깊이 정보가 더 입력되면, 제5 깊이 정보를 더 이용하여, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다. 머신-러닝 기반 모델을 제5 깊이 정보를 더 이용하여 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한단.
일 실시예에서, 프로세서(250)는 제2 이미지 센서(270)에 의해 부품으로부터 반사된 패턴광이 수신되면, 제2 이미지 센서(270)에 의해 수신되는 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 제6 깊이 정보를 생성할 수 있다. 예를 들어, 프로세서(250)는 제2 이미지 센서(270)에 의해 생성되는 부품으로부터 반사된 패턴광을 이용하여 생성된 부품에 대한 이미지를 이용하여 부품에 대한 제6 깊이 정보를 생성할 수 있다.
일 실시예에서, 프로세서(250)는 제6 깊이 정보를 머신-러닝 기반 모델에 더 입력할 수 있다. 예를 들어, 프로세서(250)는 머신-러닝 기반 모델이 메모리(240)에 저장되어 있는 경우, 머신-러닝 기반 모델에 직접 제6 깊이 정보를 입력할 수 있다. 또 다른 예로, 프로세서(250)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 제6 깊이 정보를 외부 전자 장치 또는 외부 서버로 송신하도록 통신 회로(260)를 제어할 수 있다.
또한, 프로세서(250)는 제6 깊이 정보를 머신-러닝 기반 모델에 더 입력한 후, 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 예를 들어, 프로세서(250)는 머신-러닝 기반 모델이 메모리(240)에 저장되어 있는 경우, 머신-러닝 기반 모델로부터 직접 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다. 또 다른 예로, 프로세서(250)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 외부 전자 장치 또는 외부 서버로부터 통신 회로(260)를 통해 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다.
도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의한 부품의 실장 상태를 검사하는 방법의 흐름도이다.
도 3에 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.
310 단계에서, 인쇄 회로 기판 검사 장치(100)는 인쇄 회로 기판에 실장된 부품에 패턴광을 조사할 수 있다. 예를 들어, 인쇄 회로 기판 검사 장치(100)의 프로세서는 검사 대상인 인쇄 회로 기판에 실장된 복수의 부품 각각에 패턴광이 조사되도록 복수의 제1 광원을 제어할 수 있다.
320 단계에서, 인쇄 회로 기판 검사 장치(100)는 인쇄 회로 기판에 실장된 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사할 수 있다. 예를 들어, 프로세서는 검사 대상인 인쇄 회로 기판에 실장된 복수의 부품 각각에 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광이 조사되도록 적어도 하나의 제2 광원을 제어할 수 있다. 프로세서는 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 하나만을 조사하거나, 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 순차적으로 조사하거나 적어도 두 개의 광을 동시에 조사하도록 적어도 하나의 제2 광원을 제어할 수 있다.
330 단계에서, 인쇄 회로 기판 검사 장치(100)는 부품으로부터 반사된 패턴광을 수신하고, 패턴광을 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 예를 들어, 제1 이미지 센서는 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 이미지를 생성하고, 생성된 부품에 대한 이미지를 프로세서로 전달할 수 있다. 프로세서는 제1 이미지 센서로부터 수신되는 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다.
340 단계에서, 인쇄 회로 기판 검사 장치(100)는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 2차원 이미지 데이터를 생성할 수 있다. 예를 들어, 제1 이미지 센서는 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 부품에 대한 2차원 이미지 데이터를 생성하고, 생성된 부품에 대한 2차원 이미지 데이터를 프로세서로 전달할 수 있다.
350 단계에서, 인쇄 회로 기판 검사 장치(100)는 제2 깊이 정보 및 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력할 수 있다. 예를 들어, 프로세서는 머신-러닝 기반 모델이 인쇄 회로 기판 검사 장치(100)의 메모리에 저장되어 있는 경우, 머신-러닝 기반 모델에 직접 제2 깊이 정보 및 부품에 대한 2차원 이미지를 입력할 수 있다. 또 다른 예로, 프로세서는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 제2 깊이 정보 및 부품에 대한 2차원 이미지를 외부 전자 장치 또는 외부 서버로 송신하도록 통신 회로를 제어할 수 있다.
360 단계에서, 인쇄 회로 기판 검사 장치(100)는 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 예를 들어, 프로세서는 머신-러닝 기반 모델이 메모리에 저장되어 있는 경우, 머신-러닝 기반 모델로부터 직접 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다. 또 다른 예로, 프로세서는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 외부 전자 장치 또는 외부 서버로부터 통신 회로를 통해 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다.
370 단계에서, 인쇄 회로 기판 검사 장치는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 또한, 프로세서는 생성된 부품에 대한 3차원 이미지를 이용하여 부품의 실장 상태를 검사할 수 있다.
도 4a 및 도 4b는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 4a를 참조하면, 머신-러닝 기반 모델(410)은 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제3 깊이 정보(411), 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중, 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 제2 객체에 대한 2차원 이미지 데이터(412) 및 복수의 제4 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제4 깊이 정보(413)를 이용하여, 노이즈가 감소된 제3 깊이 정보(414)를 출력하도록 학습될 수 있다.
머신-러닝 기반 모델(410)은 노이즈가 감소된 제3 깊이 정보(414)를 출력하도록 학습된 결과에 기초하여, 학습에 이용된 제2 객체와는 상이한 제1 객체에 대한 제1 깊이 정보 및 제1 객체에 대한 2차원 이미지 데이터가 입력되더라도, 노이즈가 감소된 제1 객체에 대한 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)에 학습을 위해 제3 깊이 정보(411), 2차원 이미지 데이터(412) 및 제4 깊이 정보(413)가 입력될 수 있다. 예를 들어, 제4 깊이 정보(413)를 생성하는데 이용되는 패턴광을 조사하는 복수의 제4 광원의 수는 복수의 제1 광원의 수보다 크고, 복수의 제1 광원의 수와 동일한 수를 가지는 복수의 제3 광원의 수보다 클 수 있다. 복수의 제4 광원의 수가 복수의 제3 광원의 수보다 크므로, 제4 깊이 정보(413)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수가 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수보다 클 수 있다. 복수의 제4 광원 각각의 조사 방향, 조사 각도, 피치 간격 등이 서로 상이하므로, 제4 깊이 정보(413)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지는 모두 제2 객체에 대한 이미지이나, 서로 상이한 이미지일 수 있다. 이와 마찬가지로, 복수의 제3 광원 각각의 조사 방향, 조사 각도, 피치 간격 등이 서로 상이하므로, 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지는 모두 제2 객체에 대한 이미지이나, 서로 상이한 이미지일 수 있다.
또한, 복수의 제4 광원의 수는 복수의 제3 광원의 수보다 크므로, 복수의 제4 광원은 복수의 제3 광원과는 다른 적어도 하나의 조사 방향, 적어도 하나의 조사 각도, 적어도 하나의 피치 간격 등을 가지고 광을 제2 객체에 조사할 수 있다. 따라서, 제4 깊이 정보(413)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수가 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수보다 크게 되고, 이를 통해 생성된 제4 깊이 정보(413)는 제3 깊이 정보(411)에 비해 노이즈가 상대적으로 더 적게 발생할 수 있다. 이에 따라, 많은 수의 광원을 이용하여 생성된 깊이 정보를 통해 측정된 객체의 형상은 적은 수의 광원을 이용하여 생성된 깊이 정보를 통해 측정된 객체의 형상에 비해, 객체의 실제 형상에 보다 근접할 수 있다.
일 실시예에서, 제4 깊이 정보(413)에서는 제3 깊이 정보(411) 보다 노이즈가 상대적으로 더 적게 발생하므로, 제4 깊이 정보(413)는 머신-러닝 기반 모델(410)이 제3 깊이 정보(411)에서의 노이즈를 감소시키기 위해 제3 깊이 정보(411)를 변환하거나 제3 깊이 정보(411)에서 노이즈를 검출하도록 학습되는 과정에서 기준이 되는 깊이 정보로 이용될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)은 제4 깊이 정보(413)에 수렴되도록 제3 깊이 정보(411)를 변환하도록 학습될 수 있다. 이하에서는 설명의 편의를 위해, 제4 깊이 정보(413)에 수렴되도록 변환된 제3 깊이 정보(411)를 변환 깊이 정보라 한다. 예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제4 깊이 정보(413)를 비교할 수 있다. 머신-러닝 기반 모델(410)은 비교 결과에 기초하여, 제3 깊이 정보(411)의 변환을 위한 파라미터를 조정할 수 있다. 머신-러닝 기반 모델(410)은 위의 과정을 반복함으로써, 제3 깊이 정보(411)가 제4 깊이 정보(413)에 수렴되도록, 제3 깊이 정보(411)의 변환을 위한 파라미터를 결정할 수 있다. 이를 통해, 머신-러닝 기반 모델(410)은 제4 깊이 정보(413)에 수렴되게 제3 깊이 정보(411)를 변환하도록 학습될 수 있다. 이와 같이, 제4 깊이 정보(413)에 수렴되도록 제3 깊이 정보(411)를 변환하도록 머신-러닝 기반 모델(410)이 학습됨으로써, 깊이 정보를 생성함에 있어 이용 가능한 객체에 대한 이미지의 수가 상대적으로 부족한 경우에도, 보다 정확하게 객체에 대한 형상이 측정되도록 할 수 있다.
또한, 머신-러닝 기반 모델(410)은 제2 객체의 형상을 보다 정확히 나타낼 수 있도록, 2차원 이미지 데이터(412)를 이용하여, 변환 깊이 정보를 조정하도록 학습될 수 있다. 예를 들어, 인쇄 회로 기판에 실장된 부품에 이물이 부가된 경우, 부가된 이물의 형상까지 측정되어야 부품의 실장 상태를 보다 정확하게 검사할 수 있다. 따라서, 머신-러닝 기반 모델(410)은 제2 객체에 이물 등이 부가된 경우에도, 이물이 부가된 부분의 형상까지 변환 깊이 정보를 통해 나타낼 수 있도록, 2차원 이미지 데이터(412)를 이용하여 변환 깊이 정보를 조정하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(412)를 통한 제2 객체의 형상을 비교함으로써, 변환 깊이 정보의 조정 여부를 결정하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(412)를 통한 제2 객체의 형상의 차이가 미리 설정된 범위 이내인 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정하고, 머신-러닝 기반 모델(410)은 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(414)로 출력하도록 학습될 수 있다.
또 다른 예로, 머신-러닝 기반 모델(410)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(412)를 통한 제2 객체의 형상의 차이가 미리 설정된 범위를 벗어나는 경우, 변환 깊이 정보를 조정하는 것으로 결정하고, 머신-러닝 기반 모델(410)은 변환 깊이 정보를 조정하고, 조정된 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(414)로 출력하도록 학습될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 노이즈를 검출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 노이즈를 검출하고, 검출된 노이즈를 감소시켜 노이즈가 감소된 제3 깊이 정보(414)를 출력하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제3 깊이 정보(411)를 비교함으로써, 제3 깊이 정보(411)에서 노이즈로 판단되는 제1 부분을 검출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제3 깊이 정보(411)의 차이가 미리 설정된 임계치 이상이 되는 부분을 제1 부분으로 검출하도록 학습될 수 있다.
또한, 머신-러닝 기반 모델(410)은 보다 정확하게 노이즈를 검출하기 위하여, 2차원 이미지 데이터(412)를 이용하여, 제1 부분 중, 실제로는 노이즈가 아님에도 노이즈로 판단된 제2 부분을 검출하도록 학습될 수 있다. 머신-러닝 기반 모델(410)은 제2 부분이 검출된 경우, 제1 부분에서 제2 부분을 제외하고, 제2 부분이 제외된 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하도록 학습될 수 있다. 또한, 머신-러닝 기반 모델(410)은 제2 부분이 검출되지 않은 경우, 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하도록 학습될 수 있다. 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제3 깊이 정보(414)를 출력하도록 학습될 수 있다.
도 4b를 참조하면, 머신-러닝 기반 모델(420)은 복수의 제3 광원으로부터 조사된 패턴광 중, 제3 깊이 정보(411) 생성에 이용된 패턴광을 수신한 제5 이미지 센서보다 하측에 배치된 제6 이미지 센서에 의해 수신되는 제2 객체로부터 반사된 패턴광을 이용하여 생성되는 제7 깊이 정보(421)를 더 이용하여, 노이즈가 감소된 제3 깊이 정보(422)를 출력하도록 학습될 수 있다. 머신-러닝 기반 모델(420)은 노이즈가 감소된 제3 깊이 정보(422)를 출력하도록 학습된 결과에 기초하여, 제2 객체와는 상이한 제1 객체에 대한 제1 깊이 정보, 제5 깊이 정보 및 제1 객체에 대한 2차원 이미지 데이터가 입력되더라도, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
예를 들어, 제5 이미지 센서는 제1 이미지 센서(230)와 동일할 수도 있고, 상이할 수도 있다. 또한, 제6 이미지 센서는 제2 이미지 센서(270)와 동일할 수도 있고, 상이할 수도 있다. 제5 이미지 센서와 제6 이미지 센서 각각이 제1 이미지 센서(230) 및 제2 이미지 센서(270)와 상이하고, 제5 이미지 센서와 제6 이미지 센서가 다른 인쇄 회로 기판 검사 장치에 포함될 수 있다. 이 경우, 다른 인쇄 회로 기판 검사 장치 내에서의 제5 이미지 센서가 배치된 높이는 인쇄 회로 기판 검사 장치(100) 내에서의 제1 이미지 센서(230)가 배치된 높이와 대응되고, 다른 인쇄 회로 기판 검사 장치 내에서의 제6 이미지 센서가 배치된 높이는 인쇄 회로 기판 검사 장치(100) 내에서의 제2 이미지 센서(270)가 배치된 높이와 대응될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(420)에 제7 깊이 정보(421)가 더 입력될 수 있다. 머신-러닝 기반 모델(420)은 제2 객체의 형상을 보다 정확히 나타낼 수 있도록, 2차원 이미지 데이터(412) 및 제7 깊이 정보(421)를 이용하여, 변환 깊이 정보를 조정하도록 학습될 수 있다. 머신-러닝 기반 모델(420)은 변환 깊이 정보를 통한 제2 객체의 형상을 2차원 이미지 데이터(412)를 통한 제2 객체의 형상과 제7 깊이 정보(421)를 통한 제2 객체의 형상과 비교함으로써, 변환 깊이 정보의 조정 여부를 결정하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(420)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(412)를 통한 제2 객체의 형상 및 제7 깊이 정보(421)를 통한 제2 객체의 형상 각각과의 차이가 미리 설정된 범위 이내인 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정하고, 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(422)로 출력하도록 학습될 수 있다.
또 다른 예로, 머신-러닝 기반 모델(420)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(412)를 통한 제2 객체의 형상 및 제7 깊이 정보(421)를 통한 제2 객체의 형상 각각과의 차이가 미리 설정된 범위를 벗어나는 경우, 변환 깊이 정보를 조정하는 것으로 결정하고, 변환 깊이 정보를 조정하고, 조정된 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(422)로 출력하도록 학습될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(420)은 보다 정확하게 노이즈를 검출하기 위하여, 2차원 이미지 데이터(412) 및 제7 깊이 정보(421)를 이용하여, 제3 깊이 정보(411)에서 노이즈로 판단된 제1 부분 중, 실제로는 노이즈가 아님에도 노이즈로 판단된 제2 부분을 검출하도록 학습될 수 있다. 머신-러닝 기반 모델(420)은 제2 부분이 검출된 경우, 제1 부분에서 제2 부분을 제외하고, 제2 부분이 제외된 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하도록 학습될 수 있다. 또한, 머신-러닝 기반 모델(420)은 제2 부분이 검출되지 않은 경우, 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하도록 학습될 수 있다. 머신-러닝 기반 모델(420)은 제3 깊이 정보(411)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제3 깊이 정보(422)를 출력하도록 학습될 수 있다.
위와 같은 학습 과정을 통해, 머신-러닝 기반 모델(410)은, 학습에 이용된 제2 객체가 아닌 제1 객체에 대한 제1 깊이 정보, 제5 깊이 정보 및 2차원 이미지 데이터가 입력되더라도, 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습될 수 있다.
일 실시예에서, 복수의 제4 광원으로부터 조사된 패턴광을 이용하여 생성되는 제4 깊이 정보(413)는 복수의 제3 광원의 수보다 큰 수를 갖는 복수의 제4 광원을 포함하는 인쇄 회로 기판 검사 장치에 의해 생성될 수 있다. 또한, 제4 깊이 정보(413)는 복수의 제4 광원의 수보다 적은 수를 갖는 복수의 제3 광원을 포함하는 인쇄 회로 기판 검사 장치에서 생성될 수도 있다. 이 경우, 제4 깊이 정보(413)를 생성하는 구체적인 방법에 대해서는 도 7에서 설명하도록 한다.
도 5a 및 도 5b는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 동작을 설명하기 위한 개념도이다.
도 5a를 참조하면, 머신-러닝 기반 모델(510)에 복수의 제3 광원으로부터 조사되는 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 제1 깊이 정보(511) 및 제1 객체에 대한 2차원 이미지 데이터(512)가 입력될 수 있다. 또한, 도시되지는 않았으나, 머신-러닝 기반 모델(510)에 제1 객체로부터 반사된 패턴광을 이용하여 생성된 제1 객체에 대한 이미지가 입력되면, 머신-러닝 기반 모델(510)은 제1 객체에 대한 이미지를 이용하여 제1 깊이 정보(511)를 생성할 수도 있다. 머신-러닝 기반 모델(510)은 제1 깊이 정보(511) 및 2차원 이미지 데이터(512)가 입력되면, 2차원 이미지 데이터(512)를 이용하여 노이즈가 감소된 제1 깊이 정보(513)를 출력할 수 있다.
이하에서는 설명의 편의를 위해, 복수의 제3 광원의 수 보다 큰 수의 복수의 제4 광원에서 조사되는 광을 이용하여 생성되는 깊이 정보를 기준 깊이 정보라 하고, 머신-러닝 기반 모델(510)에 의해 기준 깊이 정보에 수렴되게 변환된 제1 깊이 정보(511)를 변환 깊이 정보라 한다.
일 실시예에서, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)를 기준 깊이 정보에 수렴되도록 변환할 수 있다. 또한, 머신-러닝 기반 모델(510)은 제1 객체의 형상을 보다 정확히 나타낼 수 있도록, 2차원 이미지 데이터(512)를 이용하여, 변환 깊이 정보를 조정할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보를 통한 제1 객체의 형상과 2차원 이미지 데이터(512)를 통한 제2 객체의 형상을 비교함으로써, 변환 깊이 정보의 조정 여부를 결정할 수 있다.
예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보를 통한 제1 객체의 형상과 2차원 이미지 데이터(512)를 통한 제2 객체의 형상의 차이가 미리 설정된 범위 이내인 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정할 수 있다. 이 경우, 머신-러닝 기반 모델(510)은 변환 깊이 정보를 노이즈가 감소된 제1 깊이 정보(513)로 출력할 수 있다.
또 다른 예로, 머신-러닝 기반 모델(510)은 변환 깊이 정보를 통한 제1 객체의 형상과 2차원 이미지 데이터(512)를 통한 제2 객체의 형상의 차이가 미리 설정된 범위를 벗어나는 경우, 변환 깊이 정보를 조정하는 것으로 결정할 수 있다. 이 경우, 머신-러닝 기반 모델(510)은 변환 깊이 정보를 조정하고, 조정된 변환 깊이 정보를 노이즈가 감소된 제1 깊이 정보(513)로 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 노이즈를 검출할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 노이즈를 검출하고, 검출된 노이즈를 감소시켜 노이즈가 감소된 제1 깊이 정보(513)를 출력할 수 있다.
예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보와 제1 깊이 정보(511)를 비교함으로써, 제1 깊이 정보(511)에서 노이즈로 판단되는 제1 부분을 검출할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보와 제1 깊이 정보(511)의 차이가 미리 설정된 임계치 이상이 되는 부분을 제1 부분으로 검출할 수 있다.
또한, 머신-러닝 기반 모델(510)은 보다 정확하게 노이즈를 검출하기 위하여, 2차원 이미지 데이터(512)를 이용하여, 제1 부분 중, 실제로는 노이즈가 아님에도 노이즈로 판단되는 제2 부분을 검출할 수 있다. 머신-러닝 기반 모델(510)은 제2 부분이 검출된 경우, 제1 부분에서 제2 부분을 제외하고, 제2 부분이 제외된 제1 부분을 제1 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 또한, 머신-러닝 기반 모델(510)은 제2 부분이 검출되지 않은 경우, 제1 부분을 제1 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제1 깊이 정보(513)를 출력할 수 있다.
도 5b를 참조하면, 머신-러닝 기반 모델(510)에 복수의 제3 광원으로부터 조사되는 패턴광 중 제3 이미지 센서보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제6 깊이 정보(521)가 더 입력될 수 있다. 또한, 도시되지는 않았으나, 머신-러닝 기반 모델(520)에 제4 이미지 센서로부터 제1 객체로부터 반사된 패턴광을 이용하여 생성된 제1 객체에 대한 이미지가 입력되면, 머신-러닝 기반 모델(520)은 제1 객체에 대한 이미지를 이용하여 제6 깊이 정보(521)를 생성할 수 있다. 머신-러닝 기반 모델(520)은 제1 깊이 정보(511), 2차원 이미지 데이터(512) 및 제6 깊이 정보(521)가 입력되면, 2차원 이미지 데이터(512) 및 제6 깊이 정보(421)를 이용하여, 노이즈가 감소된 제2 깊이 정보(522)를 출력하도록 학습될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(520)에 제6 깊이 정보(421)가 더 입력될 수 있다. 머신-러닝 기반 모델(520)은 제1 객체의 형상을 보다 정확히 나타낼 수 있도록, 2차원 이미지 데이터(512) 및 제6 깊이 정보(521)를 이용하여, 변환 깊이 정보를 조정할 수 있다. 머신-러닝 기반 모델(520)은 통한 제1 객체의 형상을 2차원 이미지 데이터(512)를 통한 제1 객체의 형상과 제6 깊이 정보(521)를 통한 제1 객체의 형상과 비교함으로써, 변환 깊이 정보의 조정 여부를 결정할 수 있다.
예를 들어, 머신-러닝 깁나 모델(520)은 변환 깊이 정보를 통한 제2 객체의 형상과 2차원 이미지 데이터(521)를 통한 제2 객체의 형상 및 제6 깊이 정보(521)를 통한 제2 객체의 형상 각각과의 차이가 미리 설정된 범위 이내인 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정할 수 있다. 이 경우, 머신-러닝 기반 모델(520)은 변환 깊이 정보를 노이즈가 감소된 제1 깊이 정보(522)로 출력할 수 있다.
또 다른 예로, 머신-러닝 기반 모델(520)은 변환 깊이 정보를 통한 제1 객체의 형상과 2차원 이미지 데이터(512)를 통한 제2 객체의 형상 및 제6 깊이 정보(521)를 통한 제2 객체의 형상 각각과의 차이가 미리 설정된 범위를 벗어나는 경우, 변환 깊이 정보를 조정하는 것으로 결정할 수 있다. 이 경우, 머신-러닝 기반 모델(520)은 변환 깊이 정보를 조정하고, 조정된 변환 깊이 정보를 노이즈가 감소된 제1 깊이 정보(522)로 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(520)은 보다 정확하게 노이즈를 검출하기 위하여, 2차원 이미지 데이터(512) 및 제6 깊이 정보(521)를 이용하여, 제1 깊이 정보(511)에서 노이즈로 판단된 제1 부분 중, 실제로는 노이즈가 아님에도 노이즈로 판단된 제2 부분을 검출할 수 있다. 머신-러닝 기반 모델(520)은 제2 부분이 검출된 경우, 제1 부분에서 제2 부분을 제외하고, 제2 부분이 제외된 제1 부분을 제1 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 또한, 머신-러닝 기반 모델(520)은 제2 부분이 검출되지 않은 경우, 제1 부분을 제1 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 머신-러닝 기반 모델(520)은 제1 깊이 정보(511)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제1 깊이 정보(522)를 출력할 수 있다.
이와 같이, 인쇄 회로 기판 검사 장치(100)는, 깊이 정보를 생성하기 위해 상대적으로 적은 수의 이미지 데이터가 획득되더라도, 머신-러닝 기반 모델(510, 520)을 이용하여, 미수신 신호 또는 피크 신호 등의 노이즈를 부품에 대한 깊이 정보에서 제거할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 상대적으로 적은 수의 이미지 데이터가 획득되어 깊이 정보를 생성하기 위한 정보가 부족하더라도, 머신-러닝 기반 모델(510, 520)을 이용하여 소실된 형상이 복원되도록 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 부품의 모서리 등에 대한 3차원 선명도는 최대한 보정하면서도 부품의 조인트 형상의 오복원을 수행하고 않고, 추가적으로 측정된 이물 형상을 훼손하지 않고, 검출할 수 있다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
일 실시예에서, 머신-러닝 기반 모델(620)은 CNN, GAN 등을 포함할 수 있다. 이하에서는, U-net을 이용한 이미지 변환을 수행할 수 GAN을 중심으로 머신-러닝 기반 모델의 학습 방법을 설명하도록 한다. 머신-러닝 기반 모델(620)은 생성부(621) 및 구별부(622)를 포함할 수 있다.
일 실시예에서, 생성부(621)에는 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제3 깊이 정보(611)가 입력되고, 구별부(622)에는 복수의 제4 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제4 깊이 정보(612)가 입력될 수 있다.
일 실시예에서, 생성부(621)는 제4 깊이 정보(612)에 수렴되도록 제3 깊이 정보(611)를 변환함으로써, 변환된 제3 깊이 정보를 생성할 수 있다. 구별부(622)는 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 비교함으로써, 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별할 수 있다. 구별부(622)는 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별한 결과를 생성부(621)로 전달할 수 있다. 생성부(621)는 구별부(622)로부터 수신한 결과에 따라, 제3 깊이 정보(611)의 변환을 위한 파라미터를 조정할 수 있다. 이와 같은 과정이, 구별부(622)가 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별할 수 없을 때까지 반복됨으로써, 생성부(621)는 제4 깊이 정보(612)에 수렴되도록 제3 깊이 정보(611)를 변환함으로써, 변환된 제3 깊이 정보를 생성하도록 학습될 수 있다.
한편, 생성부(621)에서는 어느 특정 부품에 대한 제3 깊이 정보(611)와 제4 깊이 정보(612) 그리고 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 이용하여 생성된 2차원 이미지 데이터가 한 쌍을 이루는데, 생성부(621)는 제3 깊이 정보(611)와 제4 깊이 정보(612) 중에서 품질이 조악한 경우(적어도 하나의 픽셀별로 그림자 영역, 포화 영역 및 SNR 등과 같이 어느 한 채널의 깊이 정보가 다른 채널을 비교하여 다른 채널 보다 기 설정된 기준값 보다 현저하게 낮은 경우)가 하나라도 있으면 해당 부품 데이터는 학습 데이터에서 제외시키는 정제 작업을 추가적으로 수행할 수 있다.
도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습에 이용되는 깊이 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4a 및 4b에서 설명한, 제4 깊이 정보(413)는 제3 깊이 정보(411) 및 제7 깊이 정보(421)가 생성된 인쇄 회로 기판 검사 장치에서 생성될 수도 있다. 예를 들어, 도 7과 같이, 복수의 제3 광원(710)의 수가 4이고, 복수의 제4 광원의 수는 8인 것으로 상정하도록 한다. 이 경우, 인쇄 회로 기판 검사 장치(100)의 프로세서는 인쇄 회로 기판에 실장된 부품으로 패턴광을 조사하도록 복수의 제3 광원(710)을 제어하고, 부품으로부터 반사된 패턴광을 이용하여 제3 깊이 정보(411)를 생성한 후, 복수의 제3 광원(710)을 시계 방향 또는 반시계 방향으로 이동시킬 수 있다. 프로세서는 인쇄 회로 기판에 실장된 부품으로 패턴광을 조사하도록 시계 방향 또는 반시계 방향으로 이동된 복수의 제3 광원(710)을 제어하고, 부품으로부터 반사된 패턴광 및 제3 깊이 정보(411)를 이용하여 제4 깊이 정보(413)를 생성할 수 있다. 한편, 도 7에서는 복수의 제3 광원(710)의 수가 4인 것으로 설명하였으나, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제3 광원(710)은 복수가 아닌 하나일 수도 있다. 이와 같이, 제4 깊이 정보(413)는 복수의 제4 광원의 수보다 적은 수를 갖는 복수의 제3 광원을 포함하는 인쇄 회로 기판 검사 장치에서 생성될 수도 있다.
도 8은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의해 노이즈가 감소된 깊이 정보를 이용하여 생성된 부품에 대한 이미지를 도시한다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 복수의 제1 광원으로부터 인쇄 회로 기판에 실장된 부품에 조사된 패턴광 중, 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 생성된 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 다만, 인쇄 회로 기판에 조사된 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 발생된 노이즈가 감소되지 않으면, 인쇄 회로 기판 검사 장치(100)가 생성하는 부품에 대한 3차원 이미지의 품질이 저하되고, 부품의 실장 상태에 대한 정확한 검사가 수행되지 못할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성할 수 있다. 노이즈가 감소된 깊이 정보를 이용하여 생성된 3차원 이미지는 부품의 형상을 보다 정확하게 표시할 수 있으므로, 부품의 실장 상태에 대한 보다 정확한 검사가 수행될 수 있다.
도 8의 (a)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 노이즈를 감소시키지 않고 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품과 인쇄 회로 기판의 연결 부분(예: 솔더 페이스트 등)의 형상(810)이 3차원 이미지에서 비정상 형상으로 나타나거나 홀이 있는 것과 같이 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품과 인쇄 회로 기판의 연결 부분(예: 솔더 페이스트 등)의 형상(811)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
도 8의 (b)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 노이즈를 감소시키지 않고, 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품의 경계(edge)의 형상(820)이 3차원 이미지에서 비정상 형상으로 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품의 경계의 형상(821)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
도 8의 (c)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 생성된 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품 내부에 홀이 있는 것과 같이 부품의 내부 형상(830)이 3차원 이미지에서 비정상 형상으로 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품의 내부 형상(831)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
이와 같이, 인쇄 회로 기판 검사 장치(100)가 노이즈가 감소된 깊이 정보를 이용하여 생성된 3차원 이미지를 통해 부품의 형상을 보다 정확하게 표시함으로써, 부품의 실장 상태에 대한 보다 정확한 검사가 수행될 수 있다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드, 명령 등으로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 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 (18)

  1. 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치에 있어서,
    상기 부품에 패턴광을 조사하는 복수의 제1 광원;
    상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하는 적어도 하나의 제2 광원;
    상기 부품으로부터 반사된 패턴광, 상기 부품으로부터 반사된 적어도 하나의 상기 제1 파장의 광, 상기 제2 파장의 광, 상기 제3 파장의 광 및 상기 제4 파장의 광을 수신하는 제1 이미지 센서;
    복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리; 및
    프로세서를 포함하고, 상기 프로세서는
    상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제2 깊이 정보를 생성하고,
    상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 부품에 대한 2차원 이미지 데이터를 상기 제1 이미지 센서로부터 수신하고,
    상기 제2 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 상기 머신-러닝 기반 모델에 입력하고,
    노이즈가 감소된 상기 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는, 인쇄 회로 기판 검사 장치.
  2. 제1항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 상기 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  3. 제2항에 있어서,
    상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수와 동일하고,
    상기 복수의 제4 광원의 수는 상기 복수의 제1 광원의 수보다 큰, 인쇄 회로 기판 검사 장치.
  4. 제1항에 있어서,
    상기 제1 파장의 광은 적색 광이고,
    상기 제2 파장의 광은 녹색 광이고,
    상기 제3 파장의 광은 청색 광이고,
    상기 제4 파장의 광은 백색 광인, 인쇄 회로 기판 검사 장치.
  5. 제1항에 있어서,
    상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함하는, 인쇄 회로 기판 검사 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품에 대한 3차원 이미지를 생성하고,
    상기 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는, 인쇄 회로 기판 검사 장치.
  7. 제1항에 있어서,
    상기 제1 이미지 센서 보다 하측에 배치된 제2 이미지 센서
    를 더 포함하고,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제1 깊이 정보 생성에 이용된 패턴광을 수신한 제3 이미지 센서보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 상기 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제5 깊이 정보가 더 입력되면, 상기 제5 깊이 정보를 더 이용하여, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 제2 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 패턴광을 이용하여 상기 부품에 대한 제6 깊이 정보를 생성하고,
    상기 제6 깊이 정보를 상기 머신-러닝 기반 모델에 더 입력하는, 인쇄 회로 기판 검사 장치.
  9. 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서,
    상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가,
    인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계;
    상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하도록 적어도 하나의 제2 광원을 제어하는 단계;
    제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계;
    상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 상기 부품에 대한 2차원 이미지 데이터를 생성하는 단계;
    상기 제1 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력하는 단계;
    노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계; 및
    상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는 단계
    를 수행하도록 하는 실행 가능한 명령을 포함하고,
    상기 머신-러닝 기반 모델은,
    복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제2 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제2 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  10. 제9항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 상기 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  11. 제10항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수와 동일하고,
    상기 복수의 제4 광원의 수는 상기 복수의 제1 광원의 수보다 큰, 컴퓨터 판독 가능한 기록 매체.
  12. 제1항에 있어서,
    상기 제1 파장의 광은 적색 광이고,
    상기 제2 파장의 광은 녹색 광이고,
    상기 제3 파장의 광은 청색 광이고,
    상기 제4 파장의 광은 백색 광인, 컴퓨터 판독 가능한 기록 매체.
  13. 제9항에 있어서,
    상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함하는, 컴퓨터 판독 가능한 기록 매체.
  14. 제9항에 있어서,
    상기 실행 가능한 명령은, 상기 프로세서가,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하는 단계; 및
    상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는 단계
    를 더 수행하도록 하는 컴퓨터 판독 가능한 기록 매체.
  15. 제9항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제1 깊이 정보 생성에 이용된 패턴광을 수신한 제3 이미지 센서 보다 하측에 배치된 제4 이미지 센서에 의해 수신되는 상기 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제5 깊이 정보가 더 입력되면, 상기 제5 깊이 정보를 더 이용하여, 상기 노이즈가 감소된 상기 제2 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  16. 제15항에 있어서,
    상기 실행 가능한 명령은, 상기 프로세서가,
    상기 제2 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 패턴광을 이용하여 상기 부품에 대한 제6 깊이 정보를 생성하는 단계; 및
    상기 제6 깊이 정보를 상기 머신-러닝 기반 모델에 더 입력하는 단계
    를 더 수행하도록 하는 컴퓨터 판독 가능한 기록 매체.
  17. 인쇄 회로 기판 검사 장치에서, 부품의 실장 상태를 검사하는 방법에 있어서,
    인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계;
    상기 부품에 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중 적어도 하나를 조사하도록 적어도 하나의 제2 광원을 제어하는 단계;
    제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계;
    상기 제1 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 상기 부품에 대한 2차원 이미지 데이터를 생성하는 단계;
    상기 제1 깊이 정보 및 상기 부품에 대한 2차원 이미지 데이터를 머신-러닝 기반 모델에 입력하는 단계;
    노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계; 및
    상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는 단계
    를 포함하고,
    상기 머신-러닝 기반 모델은,
    복수의 제3 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제2 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 제1 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 상기 제2 깊이 정보를 출력하는, 부품 실장 상태 검사 방법.
  18. 제17항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 복수의 제4 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보, 및 적어도 하나의 제5 광원으로부터 조사되는 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광 중, 상기 제2 객체로부터 반사된 적어도 하나의 제1 파장의 광, 제2 파장의 광, 제3 파장의 광 및 제4 파장의 광을 이용하여 생성된 상기 제2 객체에 대한 2차원 이미지 데이터를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 상기 제1 객체에 대한 2차원 이미지 데이터가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 부품 실장 상태 검사 방법.
PCT/KR2019/002328 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 WO2019164381A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP19756876.9A EP3761013A4 (en) 2018-02-26 2019-02-26 COMPONENT MOUNT STATUS INSPECTION PROCESS, PRINTED CIRCUIT BOARD INSPECTION APPARATUS AND COMPUTER READABLE RECORDING MEDIA
KR1020207024783A KR102427381B1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
US16/976,008 US11244436B2 (en) 2018-02-26 2019-02-26 Method for inspecting mounting state of component, printed circuit board inspection apparatus, and computer readable recording medium
CN201980015610.XA CN111788476B (zh) 2018-02-26 2019-02-26 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862635022P 2018-02-26 2018-02-26
US62/635,022 2018-02-26

Publications (1)

Publication Number Publication Date
WO2019164381A1 true WO2019164381A1 (ko) 2019-08-29

Family

ID=67687308

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/KR2019/002330 WO2019164382A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
PCT/KR2019/002328 WO2019164381A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002330 WO2019164382A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체

Country Status (5)

Country Link
US (2) US11328407B2 (ko)
EP (2) EP3761772A4 (ko)
KR (4) KR102473547B1 (ko)
CN (2) CN111788883B (ko)
WO (2) WO2019164382A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126433A (zh) * 2019-11-19 2020-05-08 佛山市南海区广工大数控装备协同创新研究院 一种工厂pcb板缺陷检测中正负样本数据平衡方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364491A1 (en) * 2019-05-15 2020-11-19 Getac Technology Corporation Image detection scanning method for object surface defects and image detection scanning system thereof
US20210352835A1 (en) * 2020-05-05 2021-11-11 Integrated Dynamics Engineering Gmbh Method for processing substrates, in particular wafers, masks or flat panel displays, with a semi-conductor industry machine
KR102459695B1 (ko) * 2020-11-03 2022-10-28 주식회사 고영테크놀러지 실장 정보를 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
CN113032919B (zh) * 2021-03-12 2022-03-04 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
DE102021114568A1 (de) 2021-06-07 2022-12-08 Göpel electronic GmbH Inspektionsvorrichtung zum prüfen von elektronischen bauteilen
CN114018934B (zh) * 2021-11-03 2023-11-03 四川启睿克科技有限公司 一种用于弧形金属表面缺陷检测的成像系统
KR102455733B1 (ko) * 2022-02-11 2022-10-18 주식회사 지오스테크놀러지 트랜지스터 아웃라인 패키지 제조 장치 및 이의 제조 방법
WO2023159298A1 (en) * 2022-02-28 2023-08-31 National Research Council Of Canada Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices
CN116007526B (zh) * 2023-03-27 2023-06-23 西安航天动力研究所 一种膜片刻痕深度自动测量系统及测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100041022A (ko) * 2008-10-13 2010-04-22 주식회사 고영테크놀러지 다중파장을 이용한 3차원형상 측정장치 및 측정방법
US20130156297A1 (en) * 2011-12-15 2013-06-20 Microsoft Corporation Learning Image Processing Tasks from Scene Reconstructions
KR20150022158A (ko) * 2013-08-22 2015-03-04 (주)토탈소프트뱅크 기계제도 학습장치 및 학습방법
US20160321523A1 (en) * 2015-04-30 2016-11-03 The Regents Of The University Of California Using machine learning to filter monte carlo noise from images
KR101721965B1 (ko) * 2014-08-11 2017-03-31 가부시키가이샤 도쿄 웰드 투명 기판의 외관 검사 장치 및 외관 검사 방법

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0989797A (ja) 1995-09-25 1997-04-04 Omron Corp 実装基板検査装置
KR20020046636A (ko) 2000-12-15 2002-06-21 송재인 인쇄회로기판의 납땜검사 시스템 및 방법
US7352892B2 (en) * 2003-03-20 2008-04-01 Micron Technology, Inc. System and method for shape reconstruction from optical images
KR100834113B1 (ko) 2006-11-10 2008-06-02 아주하이텍(주) 자동 광학 검사 시스템
DE102010064593A1 (de) * 2009-05-21 2015-07-30 Koh Young Technology Inc. Formmessgerät und -verfahren
DE102010029319B4 (de) 2009-05-27 2015-07-02 Koh Young Technology Inc. Vorrichtung zur Messung einer dreidimensionalen Form und Verfahren dazu
DE102010030859B4 (de) 2009-07-03 2019-01-24 Koh Young Technology Inc. Verfahren zum Untersuchen eines auf einem Substrat montierten Messobjektes
US9091725B2 (en) 2009-07-03 2015-07-28 Koh Young Technology Inc. Board inspection apparatus and method
KR101144749B1 (ko) 2010-01-29 2012-05-24 주식회사 고영테크놀러지 소자의 불량 검사방법
KR101078781B1 (ko) 2010-02-01 2011-11-01 주식회사 고영테크놀러지 3차원 형상 검사방법
US8855403B2 (en) * 2010-04-16 2014-10-07 Koh Young Technology Inc. Method of discriminating between an object region and a ground region and method of measuring three dimensional shape by using the same
US8755043B2 (en) 2010-11-19 2014-06-17 Koh Young Technology Inc. Method of inspecting a substrate
KR101311215B1 (ko) 2010-11-19 2013-09-25 경북대학교 산학협력단 기판 검사방법
KR101684244B1 (ko) 2011-03-02 2016-12-09 주식회사 고영테크놀러지 기판 검사방법
US9819879B2 (en) * 2011-07-12 2017-11-14 Samsung Electronics Co., Ltd. Image filtering apparatus and method based on noise prediction using infrared ray (IR) intensity
KR101215083B1 (ko) * 2011-12-27 2012-12-24 경북대학교 산학협력단 기판 검사장치의 높이정보 생성 방법
JP5863547B2 (ja) 2012-04-20 2016-02-16 ヤマハ発動機株式会社 プリント基板の検査装置
KR101410220B1 (ko) * 2012-05-22 2014-06-20 주식회사 고영테크놀러지 3차원 형상 측정장치의 높이 측정 방법
US20140198185A1 (en) * 2013-01-17 2014-07-17 Cyberoptics Corporation Multi-camera sensor for three-dimensional imaging of a circuit board
JP2014157086A (ja) 2013-02-15 2014-08-28 Dainippon Screen Mfg Co Ltd パターン検査装置
EP2974259A4 (en) * 2013-03-15 2016-08-31 Univ Yale TECHNIQUES FOR PROCESSING IMAGE DATA WITH SENSOR DEPENDENT NOISE
KR20150023205A (ko) * 2013-08-23 2015-03-05 주식회사 고영테크놀러지 기판 검사방법 및 이를 이용한 기판 검사시스템
CN107003255B (zh) * 2014-12-08 2020-06-30 株式会社高迎科技 在基板上形成的部件的端子检查方法及基板检查装置
KR101622628B1 (ko) * 2014-12-16 2016-05-20 주식회사 고영테크놀러지 부품이 실장된 기판 검사방법 및 검사장치
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
CN105891215B (zh) * 2016-03-31 2019-01-29 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN105913427B (zh) * 2016-04-12 2017-05-10 福州大学 一种基于机器学习的噪声图像显著性检测方法
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법
WO2018188466A1 (en) * 2017-04-12 2018-10-18 Bio-Medical Engineering (HK) Limited Automated steering systems and methods for a robotic endoscope

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100041022A (ko) * 2008-10-13 2010-04-22 주식회사 고영테크놀러지 다중파장을 이용한 3차원형상 측정장치 및 측정방법
US20130156297A1 (en) * 2011-12-15 2013-06-20 Microsoft Corporation Learning Image Processing Tasks from Scene Reconstructions
KR20150022158A (ko) * 2013-08-22 2015-03-04 (주)토탈소프트뱅크 기계제도 학습장치 및 학습방법
KR101721965B1 (ko) * 2014-08-11 2017-03-31 가부시키가이샤 도쿄 웰드 투명 기판의 외관 검사 장치 및 외관 검사 방법
US20160321523A1 (en) * 2015-04-30 2016-11-03 The Regents Of The University Of California Using machine learning to filter monte carlo noise from images

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126433A (zh) * 2019-11-19 2020-05-08 佛山市南海区广工大数控装备协同创新研究院 一种工厂pcb板缺陷检测中正负样本数据平衡方法

Also Published As

Publication number Publication date
US20210049753A1 (en) 2021-02-18
KR20200108483A (ko) 2020-09-18
KR102473547B1 (ko) 2022-12-05
CN111788476A (zh) 2020-10-16
EP3761772A1 (en) 2021-01-06
CN111788883B (zh) 2021-11-05
US11328407B2 (en) 2022-05-10
CN111788883A (zh) 2020-10-16
EP3761013A1 (en) 2021-01-06
US20210042910A1 (en) 2021-02-11
EP3761013A4 (en) 2021-05-12
KR20220163513A (ko) 2022-12-09
KR20230150886A (ko) 2023-10-31
US11244436B2 (en) 2022-02-08
CN111788476B (zh) 2023-07-07
WO2019164382A1 (ko) 2019-08-29
KR20200108905A (ko) 2020-09-21
KR102427381B1 (ko) 2022-08-02
EP3761772A4 (en) 2021-04-28

Similar Documents

Publication Publication Date Title
WO2019164381A1 (ko) 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
KR20090033817A (ko) 조정 장치, 레이저 가공 장치, 조정 방법, 및 조정 프로그램
JP2016017961A (ja) 投影光源を有する撮像方法及びその撮像装置
JP2011025316A (ja) 欠陥修正装置
KR20120083854A (ko) 조정 장치, 레이저 가공 장치 및 조정 방법
JP3978140B2 (ja) 処理ツールにおいて基板上の欠陥を検出するための構成および方法
WO2018147712A1 (ko) 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체
WO2018044111A2 (ko) 색수차를 이용한 3차원 스캐너 및 스캐닝 방법
JP2014109436A (ja) 基板の欠陥検査方法、基板の欠陥検査装置、プログラム及びコンピュータ記憶媒体
US11971367B2 (en) Inspection device and inspection method
WO2017183923A1 (ko) 물품의 외관 검사장치 및 이를 이용한 물품의 외관 검사방법
US11796308B2 (en) Three-dimensional measuring apparatus, three-dimensional measuring method
WO2019132599A1 (ko) 기판에 삽입된 복수의 핀의 삽입 상태를 검사하는 방법 및 기판 검사 장치
JP4206393B2 (ja) パターン検査方法
JP6184746B2 (ja) 欠陥検出装置、欠陥修正装置および欠陥検出方法
KR20160019763A (ko) 카메라 모듈 테스트 장치 및 제어 방법
KR101665764B1 (ko) 묘화 장치, 기판 처리 시스템 및 묘화 방법
JP2003008295A (ja) 電子部品装着方法及びその装置
JP2013146760A (ja) 欠陥修正装置、及び、欠陥修正方法
US10269105B2 (en) Mask inspection device and method thereof
JP2021047677A (ja) 参照画像生成装置、検査装置、アライメント装置および参照画像生成方法
WO2019132601A1 (ko) 기판에 삽입된 커넥터에 포함된 복수의 핀의 삽입 상태를 검사하는 방법 및 기판 검사 장치
JP2019158557A (ja) 撮像方法および撮像システム
JP2022136685A (ja) 形状計測装置および方法
KR20220040789A (ko) 비전 측정장치 및 구동방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19756876

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20207024783

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019756876

Country of ref document: EP

Effective date: 20200928