WO2024101940A1 - 결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 - Google Patents

결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 Download PDF

Info

Publication number
WO2024101940A1
WO2024101940A1 PCT/KR2023/018039 KR2023018039W WO2024101940A1 WO 2024101940 A1 WO2024101940 A1 WO 2024101940A1 KR 2023018039 W KR2023018039 W KR 2023018039W WO 2024101940 A1 WO2024101940 A1 WO 2024101940A1
Authority
WO
WIPO (PCT)
Prior art keywords
printed circuit
defect
circuit board
input images
data
Prior art date
Application number
PCT/KR2023/018039
Other languages
English (en)
French (fr)
Inventor
유용호
이재환
이건녕
강진만
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
Publication of WO2024101940A1 publication Critical patent/WO2024101940A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • This disclosure relates to techniques for determining the type of defect.
  • the process of printing solder paste on a printed circuit board can be performed by a screen printer.
  • a defect may occur in the printed circuit board.
  • it may be difficult to accurately determine whether the defect was caused by the screen printer or the printed circuit board.
  • This disclosure provides techniques for determining the type of defect.
  • An apparatus includes one or more processors, and one or more memories storing instructions and machine learning models that cause the one or more processors to perform operations when executed by the one or more processors,
  • the processor acquires measurement data indicating the state of solder paste printed on a plurality of circuit boards by a screen printer, corresponds one-to-one to the plurality of printed circuit boards, and determines whether the measurement data satisfies a predetermined standard.
  • the type of defect can be determined.
  • the one or more processors determine the state of the solder paste printed on the plurality of printed circuit boards based on a time-series change between the patterns of each of the first input image and the plurality of second input images. Generate first data by analyzing, and generate second data by analyzing the positions of the solder paste printed on the plurality of printed circuit boards based on the patterns of each of the first input image and the plurality of second input images. and determine the type of defect occurring in at least one of the screen printer and the first printed circuit board based on the first data and the second data.
  • the one or more processors may determine, based on the first data, that a defect occurs in the screen printer when the same pattern periodically appears between the first input image and the plurality of second input images. If the same pattern does not appear periodically between the first input image and the plurality of second input images, it may be determined that a defect has occurred in the first printed circuit board.
  • the one or more processors may determine the type of defect that occurred in the screen printer from the second data based on the machine learning model.
  • the first data includes data indicating whether the same pattern appears between the first input image and the plurality of second input images and a period in which the same pattern appears
  • the second data may include data about the shape of the pattern of each of the first input image and the plurality of second input images.
  • the one or more processors divide the measurement data into a plurality of data, each corresponding to one printed circuit board, and solder printed on each printed circuit board based on the divided plurality of data.
  • a plurality of images indicating whether the paste satisfies a predetermined standard may be generated, and the size of the plurality of images may be changed to a predetermined size to generate the plurality of input images.
  • the one or more processors are configured to cause the first defect type to occur in the screen printer or the first printed circuit board based on the patterns of each of the first input image and the plurality of second input images. A first probability and a second probability that the second defect type will occur may be determined.
  • the method further includes a communication circuit communicatively connected to a board inspection device, the communication circuit configured to indicate the state of solder paste printed on the plurality of printed circuit boards from the board inspection device. Data can be obtained.
  • the types of defects include squeeze blade defects, squeeze blade fixation defects, stencil bottom support defects, defects due to poor clamp contact and damage, defects due to solder paste neglect and poor solder paste kneading, and specific parts. It may include at least one of a defect due to a lack of solder paste, a defect due to poor contact between the stencil and the board, a defect in the stencil design, and a defect in the board design.
  • the one or more processors determine at least one device based on whether solder pastes printed on each of a plurality of printed circuit boards classified according to at least one defect type of the screen printer satisfy a predetermined standard.
  • the machine learning model can be learned through a plurality of images with one pattern.
  • the machine learning model may be learned based on whether solder paste printed on each learning printed circuit board having different sizes and shapes satisfies a predetermined standard.
  • the machine learning model may be a transformer model.
  • a method includes obtaining measurement data indicating the state of solder paste printed on a plurality of circuit boards by a screen printer, one-to-one correspondence to the plurality of printed circuit boards, and the measurement data Generating a plurality of input images indicating whether a predetermined criterion is satisfied, wherein the plurality of input images include a first input image corresponding to a first printed circuit board and a solder paste sequentially before the first printed circuit board. includes a plurality of second input images corresponding to each printed printed circuit board, and, based on a machine learning model stored in one or more memories, the screen from the first input image and the plurality of second input images. It may include determining the type of defect occurring in at least one of the printer and the first printed circuit board.
  • the step of determining the type of the defect is based on a time-series change between the patterns of each of the first input image and the plurality of second input images printed on the plurality of printed circuit boards.
  • Generating first data analyzing the state of the solder paste, analyzing the positions of the solder paste printed on the plurality of printed circuit boards based on the patterns of each of the first input image and the plurality of second input images.
  • the step of determining the type of the defect may include, based on the first data, if the same pattern periodically appears between the first input image and the plurality of second input images, the screen printer determining that a defect has occurred in the first printed circuit board, and if the same pattern does not appear periodically between the first input image and the plurality of second input images, determining that a defect has occurred in the first printed circuit board. there is.
  • the step of determining the defect type includes determining the type of defect occurring in the screen printer from the second data based on the machine learning model, in response to determining that a defect has occurred in the screen printer. It may include steps to:
  • the first data includes data indicating whether the same pattern appears between the first input image and the plurality of second input images and a period in which the same pattern appears
  • the second data may include data about the shape of the pattern of each of the first input image and the plurality of second input images.
  • the step of determining the defect type may include detecting the first defect in the screen printer or the first printed circuit board based on a pattern of each of the first input image and the plurality of second input images.
  • the method may further include determining a first probability that the defect type will occur and a second probability that the second defect type will occur.
  • a plurality of solder pastes printed on each of a plurality of printed circuit boards classified according to at least one defect type of the screen printer have at least one pattern determined based on whether the solder paste satisfies a predetermined criterion.
  • the machine learning model can be learned through images.
  • a non-transitory computer-readable recording medium recording instructions that, when executed by one or more processors, cause the one or more processors to perform an operation, wherein the instructions include: the one or more processors, the screen Obtaining measurement data indicating the state of solder paste printed on a plurality of circuit boards by a printer, a plurality of pieces corresponding one-to-one to the plurality of printed circuit boards and indicating whether the measurement data satisfies a predetermined standard.
  • Generating an input image - the plurality of input images are a first input image corresponding to a first printed circuit board and a plurality of input images corresponding to each of the printed circuit boards on which solder paste is sequentially printed before the first printed circuit board.
  • FIG. 1 is a block diagram schematically showing the configuration of an apparatus for determining the type of defect according to an embodiment of the present disclosure.
  • Figure 2 illustrates a process in which a device according to an embodiment of the present disclosure converts measurement data into an input image.
  • Figure 3 is a configuration diagram schematically showing the configuration of a machine learning model according to an embodiment of the present disclosure.
  • FIG. 4 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • FIG. 5 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • FIG. 6 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • FIG. 7 illustrates an example in which a device according to an embodiment of the present disclosure determines various types of defects based on a plurality of input images.
  • Figure 8 is a flowchart of a method for determining the type of defect using a plurality of printed circuit boards according to an embodiment of the present disclosure.
  • Figure 9 is a flowchart of an embodiment in which a device determines the type of defect based on first data and second data according to an embodiment of the present disclosure.
  • A, B, and C As used herein, “A, B, and C”, “A, B, or C”, “A, B, and/or C”, or “at least one of A, B, and C”, “A, B Expressions such as “at least one of , or C”, “at least one of A, B, and/or C” may mean each listed item or all possible combinations of the listed items. For example, “at least one of A or B” may refer to both (1) at least one A, (2) at least one B, (3) at least one A and at least one B.
  • unit used in this document may refer to software or hardware components such as a field-programmable gate array (FPGA) or an application specific integrated circuit (ASIC). However, “wealth” is not limited to hardware and software.
  • the “copy” may be configured to be stored on an addressable storage medium and may be configured to execute on one or more processors.
  • a “part” refers to components such as software components, object-oriented software components, class components, and task components, as well as processors, functions, properties, procedures, subroutines, and programs. Can contain segments of code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables.
  • the expression "based on” is used to describe one or more factors influencing the decision, act of judgment, or action described in the phrase or sentence containing the expression, and the expression refers to the It does not exclude additional factors that may influence the decision, act or action of judgment.
  • a component e.g., a first component
  • another component e.g., a second component
  • the expression that a component is “connected” or “connected” to another component means that the component is It may mean being connected or connected not only directly to another component, but also through another new component (e.g., a third component).
  • the expression “configured to” means “set to,” “having the ability to,” “changed to,” “made to,” or “to do,” depending on the context. It can have meanings such as “possible.”
  • the expression is not limited to the meaning of "specially designed in hardware," and for example, a processor configured to perform a specific operation is a general-purpose processor capable of performing that specific operation by executing software. It can mean.
  • Figure 1 is a block diagram schematically showing the configuration of an apparatus 100 for determining the type of defect according to an embodiment of the present disclosure.
  • device 100 may include memory 101, processor 102, and/or communication circuitry 103. Additionally, the device 100 may further include an output device 104 for outputting results processed by the processor 102. In some embodiments, at least one of these components of device 100 may be omitted, or other components may be added to device 100. In some embodiments, additionally or alternatively, some components may be integrated and implemented, or may be implemented as a single or plural entity.
  • At least some of the internal and external components of the device 100 include bus, general purpose input/output (GPIO), and SPI. They can be connected to each other through (serial peripheral interface) or MIPI (mobile industry processor interface), etc. to exchange data and/or signals.
  • GPIO general purpose input/output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • Device 100 may be of various types.
  • device 100 may be a portable communication device, a computer device, a portable multimedia device, a wearable device, a home appliance device, or a device based on one or more of the above-described devices.
  • the device 100 of the present disclosure is not limited to the devices described above.
  • the processor 102 may run software to control at least one component of the device 100 connected to the processor 102. Additionally, the processor 102 may perform various operations related to the present disclosure, such as calculation, processing, data generation, and processing. Additionally, the processor 102 may load data, etc. from the memory 101 or store it in the memory 101 .
  • Memory 101 can store various data. Data stored in the memory 101 is data acquired, processed, or used by at least one component of the device 100 and may include software. Memory 101 may include volatile and/or non-volatile memory.
  • the communication circuit 103 may perform wireless or wired communication between the device 100 and other external electronic devices.
  • the communication circuit 103 may support long-term evolution (LTE), LTE Advance (LTE-A), code division multiple access (CDMA), wideband CDMA (WCDMA), wireless broadband (WiBro), and wireless fidelity (WiFi). ), Bluetooth, NFC (near field communication), GPS (Global Positioning System), or GNSS (global navigation satellite system).
  • the communication circuit 103 may perform wired communication according to a method such as universal serial bus (USB), high definition multimedia interface (HDMI), recommended standard 232 (RS-232), or plain old telephone service (POTS). You can. Communication circuitry 103 may be omitted from device 100 depending on the embodiment.
  • the screen printer 120 may include a workbench, a stencil (or metal mask), and a squeeze blade.
  • stencils When a printed circuit board is entered into the screen printer 120 and fixed on a workbench, stencils may be arranged to overlap on the printed circuit board.
  • the stencil may include a plurality of openings to allow solder paste to be printed only on defined areas of the printed circuit board. After aligning the stencil on the printed circuit board so that the opening of the stencil is located on the pad of the corresponding printed circuit board, the screen printer 120 prints solder paste on the stencil and uses a squeeze blade to apply the solder paste to the stencil. It can be pushed into the opening and soldered onto the pad on the printed circuit board. Afterwards, the screen printer separates the stencil and printed circuit board.
  • SPI technology is a technology that acquires two-dimensional or three-dimensional images of solder paste printed on a printed circuit board through optical technology and inspects the shape of the solder paste printed on the printed circuit board from the acquired image.
  • the at least one defect type of the screen printer 120 may be at least one defect type that may cause an abnormality in the solder paste printed on the printed circuit board among various defect types that can occur in the screen printer 120. You can.
  • at least one defect type of the screen printer 120 may include a defect in the squeeze blade of the screen printer 120, a defect in fixing the squeeze blade (e.g., a defect in fixing the screw for fixing the squeeze blade, etc.), and the screen printer 120.
  • solder paste may include at least one of the following: neglect, defects due to poor solder paste kneading, defects due to insufficient solder paste supplied from the screen printer 120, and defects due to poor stencil contact.
  • design defects of the printed circuit board may include bending and distortion of the printed circuit board, poor impedance, etc.
  • a printed circuit board inspection device 110 may inspect a printed circuit board and generate various data related to the quality of the printed circuit board. For example, the inspection device 110 determines whether the solder paste printed on a plurality of pads of the printed circuit board has excessive volume and insufficient volume, the standard deviation of the printed solder paste, and the printed circuit board. Data including at least one of the offset from the aligned position of the substrate and the stencil and the Capability of Process (Katayori, CPK) of the printed circuit board process can be obtained.
  • measurement data data generated by the inspection device 110 by inspecting the printed circuit board is referred to as measurement data.
  • the inspection device 110 may inspect a plurality of printed circuit boards and generate measurement data corresponding to each printed circuit board.
  • the processor 102 may communicate with the inspection device 110 using the communication circuit 103 and receive measurement data from the inspection device 110 .
  • the processor 102 may receive a plurality of measurement data for a plurality of printed circuit boards from the inspection device 110 and store them in the memory 101.
  • the processor 102 may determine the type of defect occurring in the screen printer 120 or the printed circuit board using the acquired measurement data.
  • the processor 102 uses the acquired measurement data to determine whether a problem has occurred in the quality of the printed circuit board, and when it is determined that a problem has occurred in the quality of the printed circuit board, The type of defect occurring in the screen printer 120 or the printed circuit board can be determined using the acquired measurement data.
  • the processor 102 may generate an image indicating whether the acquired measurement data satisfies a predetermined standard.
  • the input image may be an image indicating whether the solder paste printed on each of the plurality of pads included in the printed circuit board is oversolded or desoldered.
  • an image indicating whether the solder paste printed on the pad of the printed circuit board is oversold or desoldered is referred to as an input image.
  • the processor 102 may generate an input image including a pattern indicating the location on the printed circuit board of a pad where oversoldering or desoldering of solder paste has occurred among a plurality of pads of the printed circuit board. there is.
  • an input image corresponding to a printed circuit board in which oversoldering or undersoldering of solder paste has not occurred may be a black (or white) image.
  • the input image is not limited to this, and may be an image representing various states of solder paste printed on a printed circuit board included in the measurement image.
  • the processor 102 can generate an input image with a predetermined size while maintaining the horizontal and vertical length ratio of the printed circuit board. If the input image has the same size as the actual size of the printed circuit board, the size of the data processed by the processor 102 may become excessively large, so the processor 102 may select an input image smaller than the actual size of the printed circuit board. can be created. According to one embodiment, the processor 102 may generate input images corresponding to printed circuit boards having various sizes and patterns. For example, processor 102 generates a first input image corresponding to a first printed circuit board having a first area and a first set of pads, a second area different from the first area and a first set of pads different from the first set of pads. A second input image may be generated corresponding to a second printed circuit board having a two-pad set. The areas of the first printed circuit board and the second printed circuit board may be different, but the areas of the first input image and the second input image may be the same.
  • Memory 101 may store a machine learning model.
  • the machine learning model may be trained to derive at least one value indicating a relationship between the input image and at least one defect type of the screen printer 120 or the printed circuit board.
  • the machine learning model may be, for example, a transformer model.
  • the machine learning model may be stored in the memory 101 of an external device (eg, an external server, etc.) linked to the processor 102 by wire or wirelessly.
  • the processor 102 may transmit and receive information for determining a defect type related to at least one solder paste in which an abnormality has been detected with an external device connected wired or wirelessly.
  • At least one value indicating the relationship between at least one defect type generated by the processor 102 and the input image may be a probability value.
  • the at least one value is a percent correlation of the input image to a first defect type of the screen printer 120 or printed circuit board and to a second defect type of the screen printer 120 or printed circuit board.
  • the relevance can be expressed as b%. That is, the processor 102 may determine a plurality of types of defects that may have occurred in the screen printer 120 or the printed circuit board based on the input image.
  • this is only for the purpose of explanation and is not limited thereto, and various values that can indicate relevance may be used.
  • the machine learning model stored in the memory 101 may be learned through a plurality of input images classified according to at least one defect type of the screen printer 120 or the printed circuit board.
  • the machine learning model may include a plurality of input images classified as a first defect type of the screen printer 120 or a printed circuit board, and a plurality of input images classified as a second defect type of the screen printer 120. It can be learned through When a plurality of input images are input, the machine learning model learned in this way can output a value indicating the relationship between the input image and at least one of the first defect type and the second defect type.
  • the processor 102 may acquire a plurality of measurement data for a plurality of sequentially printed printed circuit boards and generate input images corresponding to each of the plurality of printed circuit boards based on the plurality of measurement data. For example, processor 102 may generate a first input image for a first printed circuit board that was printed most recently and a plurality of second input images for a plurality of second printed circuit boards that were printed before the first printed circuit board. Second input images may be generated. According to one embodiment, the plurality of second input images may be used to detect abnormalities in solder pastes printed on the first printed circuit board. For example, the processor 102 may detect the screen printer 120 or the first printed circuit board in the printing process of the first printed circuit board based on a plurality of second input images and time-series changes in the first input image. The type of defect can be determined.
  • the processor 102 receives first data representing a time-series change in the input image pattern from the first input image and the plurality of second input images, and the location where oversoldering or desoldering of the solder paste occurred on the plurality of printed circuit boards. Second data can be generated.
  • the processor 102 may generate first data by analyzing pattern changes in input images of a plurality of printed circuit boards sequentially input to the screen printer 120 in time series.
  • the processor 102 may generate second data indicating a location where oversoldering or desoldering of solder paste occurs on the printed circuit board, based on the pattern shown in each of the plurality of input images.
  • the processor 102 uses a machine learning model to determine the type of defect occurring in the screen printer 120 or the printed circuit board based on the first input image, a plurality of second input images, first data, and second data. You can judge.
  • the machine learning model may acquire a first input image and a plurality of second input images, and derive at least one value indicating a relationship between the input image and at least one defect type of the screen printer 120 or the printed circuit board. there is.
  • the processor 102 may determine that a defect has occurred in the screen printer 120 when the same pattern periodically appears in the first input image and the plurality of second input images.
  • the processor 102 may determine that a support defect has occurred in the screen printer 120. For example, when the same pattern appears in the odd (or even) input image among the first input image and the plurality of second input images, the processor 102 determines that a squeeze blade defect appears in the screen printer 120. You can decide.
  • the processor 102 may determine that a temporary defect has occurred in the first printed circuit board or screen printer when the same pattern does not appear periodically in the first input image and the plurality of second input images. For example, when a pattern appears only in the first input image and does not appear in the plurality of second input images, the processor 102 may determine that a design defect has occurred in the first printed circuit board.
  • a temporary defect refers to a defect that occurs only while printing a predetermined number of printed circuit boards, and may occur in the first printed circuit board or screen printer for various reasons. For example, temporary defects may occur if the first printed circuit board has a design defect or if the solder is printed in a state where the solder is not sufficiently kneaded in the screen printer. If the solder is not sufficiently kneaded in the screen printer, several printings will be performed and temporary defects may not occur after the solder is kneaded.
  • the processor 102 may learn a machine learning model using a plurality of input images and data mapping the type of defect corresponding to each input image.
  • learning of the machine learning model can be done offline, and data mapping a plurality of input images and defect types corresponding to each input image can be obtained through a previously performed printing process of a circuit board. .
  • Figure 2 illustrates a process in which a device according to an embodiment of the present disclosure converts measurement data into an input image.
  • Measurement data may be generated by combining information on a plurality of printed circuit boards in time series according to the order in which they are inspected by the inspection device.
  • the measurement data may include data measured for each of a plurality of solder pastes printed on each printed circuit board.
  • the measurement data may include data on the amount of printing of a plurality of solder pastes on a plurality of pads included in each printed circuit board and whether there is oversoldering/desoldering.
  • the measurement data for the first printed circuit board will be referred to as first measurement data 211
  • the measurement data for the plurality of second printed circuit boards will be referred to as second measurement data 212
  • the first measurement data 211 and the second measurement data 212 may be data in which a plurality of solder pastes printed on one printed circuit board are aligned according to the area between the printed pads.
  • the first measurement data 211 is arranged in order from data for the solder paste printed on the pad with the largest area on the first printed circuit board to data for the solder paste printed on the pad with the smallest area. It could be data.
  • the information measured for each of the plurality of solder pastes included in the first measurement data 211 and the second measurement data 212 indicates that the plurality of solder pastes are They may be aligned according to the identification information of the printed pads, may be aligned in time series according to the inspection order of each of the plurality of solder pastes, or may be aligned randomly without any separate criteria.
  • the processor may compare the first measurement data 211 and the second measurement data 212.
  • the processor may determine the difference between the first measurement data 211 and the second measurement data 212 by comparing the first measurement data 211 and the second measurement data 212. Additionally, the processor may determine the portion 213 of the determined difference that is outside the set range.
  • the processor may determine that oversoldering or desoldering has occurred in the solder paste printed on at least one pad corresponding to the portion 213 that is outside the determined set range.
  • the processor may update the second measurement data 212 by adding the first measurement data 211 to the second measurement data 212 after the inspection of the first printed circuit board is completed. For example, the processor may update the second measurement data 212 only when oversoldering or desoldering does not occur in the plurality of solder pastes printed on the first printed circuit board. As another example, the processor may update the second measurement data 212 even when oversoldering or desoldering occurs in at least one of the plurality of solder pastes printed on the first printed circuit board.
  • the processor may convert the first measurement data 211 and the second measurement data 212 into an input image 220 for input to a machine learning model. According to one embodiment, based on the measurement data, the processor generates an input image 220 including a pattern 221 indicating the position on the printed circuit board of a pad where over-soldering or desoldering of solder paste occurs among a plurality of pads of the printed circuit board. ) can be created.
  • the input image 220 may have the shape of a corresponding printed circuit board and may include a pattern 221 indicating the state of solder paste printed on a pad included in the printed circuit board.
  • the processor may determine the pattern 221 of the input image 220 depending on whether oversoldering or desoldering of the solder paste occurs. For example, if over-soldering or under-soldering of solder paste does not occur on all pads of the printed circuit board, the processor converts the input image 220 into one color (e.g., black) without a separate pattern 221. You can decide with the image. On the other hand, when oversoldering or desoldering of solder paste occurs in some pads of the printed circuit board, the processor displays the pattern 221 of the input image 220 to distinguish the location of the pad where oversoldering or desoldering of solder paste occurred.
  • the processor displays the pattern 221 of the input image 220 to distinguish the location of the pad where oversoldering or desoldering of solder paste occurred.
  • the processor may display oversold of the solder paste and undersold of the solder paste in different colors. For example, when oversoldering of solder paste occurs on the first pad of the printed circuit board and soldering of solder paste occurs on the second pad, the processor displays the position of the first pad in the input image 220 in the first color. and the position of the second pad can be displayed in a second color that is distinct from the first color.
  • Figure 3 is a configuration diagram schematically showing the configuration of a machine learning model according to an embodiment of the present disclosure.
  • the processor may input a plurality of input images 300 generated as described in FIG. 2 to the machine learning model 314.
  • the processor may use the machine learning model 314 to determine the type of defect occurring in at least one of the screen printer and the printed circuit board based on the plurality of input images 300.
  • the processor may use a Detection with Transformer (DETR) structure 310 including a machine learning model 314 to determine the type of defect occurring in at least one of the screen printer and the printed circuit board.
  • machine learning model 314 may be a transformer model.
  • the processor inputs a plurality of input images 300 to the machine learning model 314, and as a result of processing the plurality of input images 300 in the machine learning model 314, at least one of a screen printer and a printed circuit board Information 320 about the type of defect that occurred can be obtained.
  • the processor may determine a plurality of input images 300 to be input to the machine learning model 314.
  • the processor may analyze changes over time in the plurality of input images 300 to accurately determine the type of defect occurring in at least one of the screen printer and the printed circuit board.
  • the processor may input a set number (eg, 9) of input images 300 into the machine learning model 314.
  • the processor may be configured to analyze, prior to printing the first printed circuit board, a defect in at least one of the screen printer and the printed circuit board that affected the process of printing the first printed circuit board.
  • Input images 300 for a plurality of second printed circuit boards may be used.
  • the processor may further increase the number of second printed circuit boards in order to increase the accuracy of determining the type of defect occurring in at least one of the screen printer and the printed circuit board.
  • the processor may determine the number of second printed circuit boards based on an external input.
  • the processor may convert the plurality of input images 300 into a feature map form 311 that can be processed by the machine learning model 314.
  • the processor may generate first data 312 about time-series changes in the plurality of input images 300.
  • the first data 312 may be data that analyzes time-series changes in patterns of a plurality of input images 300.
  • the first data 312 may include data about whether the same pattern appears among the plurality of input images 300 and the period in which the same pattern appears.
  • the processor may generate second data 313 about the shape of the pattern of the plurality of input images 300.
  • the second data 313 may be data about the location of a pad where oversoldering or desoldering of solder paste has occurred on the printed circuit board, based on the patterns of each of the plurality of input images 300.
  • the processor may input the input image converted into the feature map form 311 into the machine learning model 314 to determine the type of defect occurring in at least one of the screen printer and the printed circuit board.
  • the machine learning model 314 is based on the first data 312 and the second data 313, at least one of the screen printer and the printed circuit board that influenced the printing process of the first printed circuit board.
  • the type of defect can be determined.
  • the machine learning model 314 may refer to the first data 312 to determine whether the defect occurred in the screen printer or the printed circuit board and output information 320 about the type of defect. According to one embodiment, when the same pattern occurs repeatedly in the plurality of input images 300, it may be determined that a defect has occurred in the screen printer. For example, if the same pattern occurs in all input images 300 or in the odd (or even) input image among the input images 300, it may be determined that a defect has occurred in the screen printer. . For example, if the same pattern occurs in an odd (or even) input image among the input images 300, the machine learning model 314 may determine that a squeeze blade defect or a support defect has occurred.
  • the machine learning model 314 may determine that a design defect of the printed circuit board has occurred.
  • the machine learning model 314 may accurately determine the type of defect occurring in at least one of the screen printer and the printed circuit board based on the second data 313. For example, when it is determined that a screen printer has a defect, the machine learning model 314 refers to the second data 313 and determines that the screen printer has a first defect type when the pattern is the first shape. , when the pattern is a second shape, the screen printer may determine that it has a second defect type.
  • FIG. 4 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • the processor may determine the type of defect based on the plurality of input images.
  • the processor may determine the type of defect based on whether the same pattern appears repeatedly in a plurality of input images.
  • Figure 4 shows an embodiment of determining the type of defect using 8 input images, but the embodiment of the present invention is not limited thereto.
  • the eighth printed circuit board corresponding to input image number 8 will be described as the most recently printed printed circuit board.
  • the processor obtains information about the type of defect from the machine learning model 314, and uses the acquired information to type the defect that occurs on the screen printer or printed circuit board when printing each printed circuit board.
  • Graphs 401 and 403 representing can be created.
  • the machine learning model 314 may determine the type of defect occurring in at least one of the screen printer and the printed circuit board based on first data and second data generated based on a plurality of input images. For example, the plurality of input images 400 input to the machine learning model 314 may all have the same pattern.
  • the machine learning model 314 receives a plurality of input images 400, determines that a defect has occurred in the screen printer based on the first data, and determines that a defect in the support of the screen printer has occurred based on the second data. You can.
  • the same pattern may not appear in the plurality of input images 402 input to the machine learning model 314.
  • a specific pattern may appear only in input image number 8, and the pattern may not appear or a different pattern may appear in the remaining input images.
  • the machine learning model 314 may determine that a temporary defect has occurred based on the first data and the second data. For example, it may be determined that a printed circuit board has a design defect.
  • FIG. 5 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • Figure 5 shows an embodiment of determining the type of defect using 8 input images, but the embodiment of the present invention is not limited thereto. Additionally, among the plurality of input images 500 and 510, the 8th printed circuit board corresponding to the 8th input image will be described as the most recently printed printed circuit board.
  • the machine learning model 314 may determine the type of defect occurring in at least one of the screen printer and the printed circuit board based on the plurality of input images 500 and 510.
  • the same pattern may be periodically repeated in a plurality of input images 500.
  • the same pattern may appear repeatedly in each odd (or even) input image.
  • the processor may generate first data and second data based on the plurality of input images 500.
  • the first data may include information that the same pattern appears repeatedly in an odd (or even) input image among the plurality of input images 500 .
  • the second data may include information that patterns that repeatedly appear in the plurality of input images 500 have a vertically aligned shape.
  • the machine learning model 314 may determine that a defect has occurred in the screen printer based on the first data and determine the type of defect that has occurred in the screen printer based on the second data. For example, the machine learning model 314 may determine that the type of defect occurring in the screen printer is a squeeze blade defect. The machine learning model 314 outputs information that a squeeze blade defect has occurred in the screen printer, and the processor can obtain the information and determine that a squeeze blade defect has occurred.
  • FIG. 6 illustrates an example in which a device according to an embodiment of the present disclosure determines the type of defect based on a plurality of input images.
  • the processor may generate first data based on time-series changes in the pattern shown in the plurality of input images 600 and second data related to the shape of the pattern.
  • the processor may use the machine learning model 314 to determine the type of defect based on the first data and the second data.
  • the type of defect could not be determined by considering the first data.
  • time-series changes in patterns included in the plurality of input images 600 it is possible to more accurately determine the type of defect. For example, referring to FIG.
  • the defect when the same pattern occurs in the even-numbered input images 600a, 600b, 600c, and 600d among the plurality of input images 600, considering the time-series change in the pattern, the defect can be accurately identified. type can be determined. When the first data was not considered (610), it was incorrectly determined that the defect occurred due to neglect of the solder paste and poor kneading of the solder paste, but when the first data was considered (620), it was determined that the defect occurred due to a squeeze blade defect. The type can be accurately determined. In other words, considering the time-series change in the pattern of each input image 600, the processor's judgment of the defect type for the same input images 600 can become more accurate.
  • FIG. 7 illustrates an example in which a device according to an embodiment of the present disclosure determines various types of defects based on a plurality of input images.
  • the processor may use a plurality of input images to determine various types of defects occurring in the screen printer and printed circuit board. For example, if the first pattern appears the same in all of the plurality of input images 700, the processor may use the machine learning model 314 to determine that a squeeze blade defect has occurred in the screen printer.
  • the processor uses the machine learning model 314 to detect a defective squeeze blade in the screen printer. can be determined to have occurred.
  • the processor uses the machine learning model 314 to determine whether there is a defect in the screen printer, but a design defect in the printed circuit board. It can be determined that this has occurred.
  • the processor uses the machine learning model 314 to It can be determined that a defect has occurred.
  • the processor may use the machine learning model 314 to determine that a support defect appears in the screen printer.
  • Embodiments of the present invention are not limited to the above-mentioned examples, and the processor detects at least one of various types of defects based on the pattern appearing in the input image corresponding to the printed circuit board and the time-series change in the pattern of the plurality of input images. can be determined to have occurred.
  • Various embodiments of the present disclosure may be implemented as software on a machine-readable storage medium.
  • the software may be software for implementing various embodiments of the present disclosure.
  • Software can be inferred from various embodiments of the present disclosure by programmers in the technical field to which this disclosure pertains.
  • software may be a program that contains instructions (e.g., code or code segments) that can be read by a device.
  • a device is a device that can operate according to instructions called from a storage medium, and may be, for example, a computer.
  • the device may be device 100 according to embodiments of the present disclosure.
  • the device's processor may execute a called instruction to cause the device's components to perform a function corresponding to the instruction.
  • the processor may be processor 102 according to embodiments of the present disclosure.
  • a storage medium may refer to any type of recording medium in which data is stored that can be read by a device. Storage media may include, for example, ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, etc. In one embodiment, the storage medium may be memory 101. In one embodiment, the storage medium may be implemented in a distributed form, such as in a computer system connected to a network. Software may be distributed, stored, and executed on a computer system, etc. The storage medium may be a non-transitory storage medium. Non-transitory storage media refers to a tangible medium regardless of whether data is stored semi-permanently or temporarily, and does not include signals that are transmitted temporarily.
  • Figure 8 is a flowchart of a method for determining the type of defect using a plurality of printed circuit boards according to an embodiment of the present disclosure.
  • the device 100 may receive measurement data indicating the state of the solder paste from the inspection device 110.
  • the device 100 may obtain measurement data including information about the printed circuit board printed by the screen printer 120 from the inspection device 110.
  • the measurement data may include information on the amount of solder paste printed on the printed circuit board and whether there is over-soldering or under-soldering.
  • the measurement data may be data in which a plurality of solder pastes printed on one printed circuit board are aligned according to the size of the area of the printed pad.
  • the device 100 may generate a plurality of input images indicating whether the measurement data satisfies a predetermined standard.
  • the input image may be an image indicating whether the solder paste printed on each of the plurality of pads included in the printed circuit board is oversolded or desoldered.
  • the device 100 may compare the first measurement data and the second measurement data and determine the difference between the first measurement data and the second measurement data.
  • the device 100 may determine a portion of the determined difference that is outside a set range.
  • the device 100 may determine that oversoldering or desoldering has occurred in the solder paste printed on at least one pad corresponding to a portion outside the set range.
  • the device 100 may generate an input image including a pattern indicating the location on the printed circuit board of a pad where oversoldering or desoldering of solder paste has occurred among a plurality of pads of the printed circuit board. there is. If oversoldering or desoldering of the solder paste does not occur on the printed circuit board, the pattern may not appear in the input image corresponding to the printed circuit board.
  • the device 100 may generate an input image with a width and height ratio that are the same as the width and height ratios of the printed circuit board and a predetermined size.
  • the device 100 may generate the size of the input image smaller than the size of the actual printed circuit board for efficient data processing.
  • device 100 may generate input images of printed circuit boards having different sizes and pad sets.
  • the device 100 may input a first input image and a plurality of second input images into the machine learning model 314.
  • the memory of device 100 may store machine learning model 314.
  • the machine learning model 314 may be trained to derive at least one value indicating a relationship between the input image and at least one defect type of the screen printer 120 or the printed circuit board.
  • the machine learning model 314 may be learned through a plurality of input images classified according to at least one defect type of the screen printer 120 or the printed circuit board.
  • the machine learning model 314 may be, for example, a transformer model.
  • device 100 may use machine learning model 314 to determine a defect type of at least one of screen printer 120 and printed circuit board.
  • the device 100 provides first data indicating a time-series change in the input image pattern from the first input image and the plurality of second input images, and the location where over-soldering or de-soldering of the solder paste occurred on the plurality of printed circuit boards.
  • Second data can be generated.
  • the device 100 may generate first data by time-serially analyzing pattern changes in input images for a plurality of printed circuit boards sequentially input to the screen printer 120.
  • the device 100 may generate second data indicating a location where oversoldering or desoldering of solder paste occurs on the printed circuit board, based on the pattern shown in each of the plurality of input images.
  • the machine learning model 314 acquires a first input image and a plurality of second input images, and sets at least one value indicating a relationship between the input image and at least one defect type of the screen printer 120 or the printed circuit board. It can be derived.
  • the device 100 may determine that a defect has occurred in the screen printer 120 when the same pattern periodically appears in the first input image and the plurality of second input images.
  • the device 100 may determine that a defect has occurred in the screen printer 120 and the same problem continues to occur.
  • the device 100 may determine that a temporary defect has occurred in the first printed circuit board or screen printer when the same pattern does not appear periodically in the first input image and the plurality of second input images.
  • Figure 9 is a flowchart of an embodiment in which a device determines the type of defect based on first data and second data according to an embodiment of the present disclosure.
  • the device 100 may generate first data based on time-series changes between the patterns of the first input image and each of the plurality of second input images.
  • the first data may include information about whether the same pattern appears repeatedly among a plurality of input images and the cycle in which the same pattern appears repeatedly.
  • the device 100 may generate second data by analyzing the positions of solder paste on a plurality of printed circuit boards based on the patterns of each of the first input image and the plurality of second input images.
  • the second data may include information about the shape of a pattern included in a plurality of input images.
  • the device 100 may determine a defect type for at least one of the screen printer 120 and the first printed circuit board based on the first data and the second data.
  • the device 100 may use the machine learning model 314 to determine the defect type based on the first data and the second data.
  • each step of the method or algorithm according to the present disclosure is described in sequential order in the flowchart shown in FIGS. 8 and 9, each step is not performed sequentially, but also in an order that can be arbitrarily combined according to the present disclosure. It may also be carried out.
  • the description according to this flowchart does not exclude making changes or modifications to the method or algorithm, nor does it imply that any step is essential or desirable.
  • at least some of the steps may be performed in parallel, iteratively, or heuristically.
  • at least some steps may be omitted or other steps may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)

Abstract

결함의 유형을 결정하기 위한 기술이 개시된다. 본 개시의 일 측면에 따른 장치는, 하나 이상의 프로세서, 및 상기 하나 이상의 프로세서에 의한 실행 시 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 기계학습 모델이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하고, 상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하고 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -, 및 상기 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다.

Description

결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
본 개시는 결함의 유형을 결정하기 위한 기술에 관한 것이다.
인쇄 회로 기판(Printed Circuit Board, PCB)에 솔더 페이스트가 인쇄되는 공정은 스크린 프린터에 의해 수행될 수 있다. 솔더 페이스트의 인쇄 공정 중, 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 결함이 있는 경우, 인쇄 회로 기판에 불량이 발생할 수 있다. 그러나 인쇄 회로 기판 하나에 발생한 결함에 기초하여서는, 해당 결함이 스크린 프린터에 의해 발생한 것인지 인쇄 회로 기판에 의해 발생한 것인지 정확하게 결정하기 어려울 수 있다.
본 개시는 결함의 유형을 결정하기 위한 기술을 제공한다.
본 개시의 일 측면에 따른 장치는, 하나 이상의 프로세서, 및 상기 하나 이상의 프로세서에 의한 실행 시 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 기계학습 모델이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하고, 상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하고 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -, 및 상기 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴 사이의 시계열적 변화에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 상태를 분석한 제1 데이터를 생성하고, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 위치를 분석한 제2 데이터를 생성하고, 및 상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제1 데이터에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나는 경우에는 상기 스크린 프린터에 결함이 발생한 것으로 결정하고, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나지 않은 경우에는 상기 제1 인쇄 회로 기판에 결함이 발생한 것으로 결정할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 스크린 프린터에 결함이 발생한 것으로 결정함에 대응하여, 상기 기계학습 모델에 기초하여 상기 제2 데이터로부터 상기 스크린 프린터에 발생한 결함의 유형을 결정할 수 있다.
일 실시예에 있어서, 상기 제1 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 나타나는지 여부 및 동일한 패턴이 나타나는 주기를 지시하는 데이터를 포함하고, 상기 제2 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴의 형상에 대한 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 측정 데이터를 각각 하나의 인쇄 회로 기판에 대응하는 복수의 데이터로 분할하고, 분할된 상기 복수의 데이터에 기초하여, 각 인쇄 회로 기판에 인쇄된 솔더 페이스트가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 이미지를 생성하고, 및 상기 복수의 이미지의 크기를 미리 결정된 크기로 변경하여 상기 복수의 입력 이미지를 생성할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 상기 제1 결함 유형이 발생할 제1 확률 및 제2 결함 유형이 발생할 제2 확률을 결정할 수 있다.
일 실시예에 있어서, 기판 검사 장치와 통신 가능하게 연결된 통신 회로를 더 포함하고, 상기 통신 회로는, 상기 기판 검사 장치로부터 상기 복수의 인쇄 회로 기판들에 인쇄된 솔더 페이스트의 상태를 지시하는 상기 측정 데이터를 획득할 수 있다.
일 실시예에 있어서, 상기 결함의 유형은, 스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 스텐실 하단 지지대 결함, 클램프 접촉 불량 및 손상에 의한 결함, 솔더페이스트 방치와 솔더페이스트의 반죽 불량으로 인한 결함, 특정 부분 솔더페이스트 부족에 의한 결함, 스텐실과 보드의 접촉 불량으로 인한 결함, 스텐실 디자인에 대한 결함, 보드 디자인에 대한 결함 중 적어도 하나를 포함할 수 있다.
일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 스크린 프린터의 적어도 하나의 결함 유형에 따라 분류된 복수의 인쇄 회로 기판들 각각에 인쇄된 솔더 페이스트들이 미리 결정된 기준을 만족하는지 여부에 기초하여 결정된 적어도 하나의 패턴을 갖는 복수의 이미지들을 통해 상기 머신 러닝 모델을 학습할 수 있다.
일 실시예에 있어서, 상기 기계학습 모델은, 서로 다른 크기와 형상을 가지는 학습용 인쇄 회로 기판 각각에 인쇄된 솔더 페이스트가 미리 결정된 기준에 만족하는지 여부에 기초하여 학습될 수 있다.
일 실시예에 있어서, 상기 기계학습 모델은, 트랜스포머(transformer) 모델일 수 있다.
본 개시의 다른 측면에 따른 방법은, 스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하는 단계, 상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하는 단계 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -, 및 하나 이상의 메모리에 저장된 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 결함의 유형을 결정하는 단계는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴 사이의 시계열적 변화에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 상태를 분석한 제1 데이터를 생성하는 단계, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 위치를 분석한 제2 데이터를 생성하는 단계, 및 상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 결함의 유형을 결정하는 단계는, 상기 제1 데이터에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나는 경우에는 상기 스크린 프린터에 결함이 발생한 것으로 결정하고, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나지 않은 경우에는 상기 제1 인쇄 회로 기판에 결함이 발생한 것으로 결정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 결함 유형을 결정하는 단계는, 상기 스크린 프린터에 결함이 발생한 것으로 결정함에 대응하여, 상기 기계학습 모델에 기초하여 상기 제2 데이터로부터 상기 스크린 프린터에 발생한 결함의 유형을 결정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 나타나는지 여부 및 동일한 패턴이 나타나는 주기를 지시하는 데이터를 포함하고, 상기 제2 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴의 형상에 대한 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 결함 유형을 결정하는 단계는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 상기 제1 결함 유형이 발생할 제1 확률 및 제2 결함 유형이 발생할 제2 확률을 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 스크린 프린터의 적어도 하나의 결함 유형에 따라 분류된 복수의 인쇄 회로 기판들 각각에 인쇄된 솔더 페이스트들이 미리 결정된 기준을 만족하는지 여부에 기초하여 결정된 적어도 하나의 패턴을 갖는 복수의 이미지들을 통해 상기 머신 러닝 모델을 학습할 수 있다.
본 개시의 다른 측면에 따른 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서, 상기 명령은, 상기 하나 이상의 프로세서가, 상기 스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하는 단계, 상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하는 단계 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -, 및 하나 이상의 메모리에 저장된 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계를 수행하도록 할 수 있다.
본 개시의 다양한 실시예들에 의하면, 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 정확하게 파악할 수 있다.
도 1은 본 개시의 일 실시예에 따른 결함의 유형을 결정하기 위한 장치의 구성을 개략적으로 나타낸 블록도이다.
도 2는 본 개시의 일 실시예에 따른 장치가 측정 데이터를 입력 이미지로 변환하는 과정을 도시한 것이다.
도 3은 본 개시의 일 실시예에 따른 기계학습 모델의 구성을 개략적으로 나타낸 구성도이다.
도 4는 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다.
도 5는 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다.
도 6은 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다.
도 7은 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 다양한 결함 유형을 결정하는 실시예를 도시한 것이다.
도 8은 본 개시의 일 실시예에 따른 복수의 인쇄 회로 기판을 이용하여 결함의 유형을 결정하는 방법의 순서도이다.
도 9는 본 개시의 일 실시예에 따른 장치가 제1 데이터 및 제2 데이터에 기초하여 결함의 유형을 결정하는 실시예의 순서도이다.
본 문서에 기재된 다양한 실시예들은, 본 개시의 기술적 사상을 명확히 설명하기 위한 목적으로 예시된 것이며, 이를 특정한 실시 형태로 한정하려는 것이 아니다. 본 개시의 기술적 사상은, 본 문서에 기재된 각 실시예의 다양한 변경(modifications), 균등물(equivalents), 대체물(alternatives) 및 각 실시예의 전부 또는 일부로부터 선택적으로 조합된 실시예를 포함한다. 또한 본 개시의 기술적 사상의 권리 범위는 이하에 제시되는 다양한 실시예들이나 이에 대한 구체적 설명으로 한정되지 않는다.
기술적이거나 과학적인 용어를 포함해서, 본 문서에서 사용되는 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 가질 수 있다.
본 문서에서 사용되는 "포함한다", "포함할 수 있다", "구비한다", "구비할 수 있다", "가진다", "가질 수 있다" 등과 같은 표현들은, 대상이 되는 특징(예: 기능, 동작 또는 구성요소 등)이 존재함을 의미하며, 다른 추가적인 특징의 존재를 배제하지 않는다. 즉, 이와 같은 표현들은 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 문서에서 사용되는 단수형의 표현은, 문맥상 다르게 뜻하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구항에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 문서에서 사용되는 "제1", "제2", 또는 "첫째", "둘째" 등의 표현은, 문맥상 다르게 뜻하지 않는 한, 복수의 동종 대상들을 지칭함에 있어 한 대상을 다른 대상과 구분하기 위해 사용되며, 해당 대상들 간의 순서 또는 중요도를 한정하는 것은 아니다.
본 문서에서 사용되는 "A, B, 및 C", "A, B, 또는 C", "A, B, 및/또는 C" 또는 "A, B, 및 C 중 적어도 하나", "A, B, 또는 C 중 적어도 하나", "A, B, 및/또는 C 중 적어도 하나" 등의 표현은, 각각의 나열된 항목 또는 나열된 항목들의 가능한 모든 조합들을 의미할 수 있다. 예를 들어, "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A, (2) 적어도 하나의 B, (3) 적어도 하나의 A 및 적어도 하나의 B를 모두 지칭할 수 있다.
본 문서에서 사용되는 "부"라는 표현은, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 저장되어 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 일 실시예에서, "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 포함할 수 있다.
본 문서에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되고, 이 표현은 해당 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 문서에서 사용되는, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "연결되어" 있다거나 "접속되어" 있다는 표현은, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결 또는 접속되는 것뿐 아니라, 새로운 다른 구성요소(예: 제3 구성요소)를 매개로 하여 연결 또는 접속되는 것을 의미할 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(configured to)"은 문맥에 따라, "~하도록 설정된", "~하는 능력을 가지는", "~하도록 변경된", "~하도록 만들어진", "~를 할 수 있는" 등의 의미를 가질 수 있다. 해당 표현은, "하드웨어적으로 특별히 설계된"의 의미로 제한되지 않으며, 예를 들어 특정 동작을 수행하도록 구성된 프로세서란, 소프트웨어를 실행함으로써 그 특정 동작을 수행할 수 있는 범용 프로세서(generic-purpose processor)를 의미할 수 있다.
이하, 첨부된 도면들을 참조하여, 본 개시의 다양한 실시예들을 설명한다. 첨부된 도면 및 도면에 대한 설명에서, 동일하거나 실질적으로 동등한(substantially equivalent) 구성요소에는 동일한 참조부호가 부여될 수 있다. 또한, 이하 다양한 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있으나, 이는 해당 구성요소가 그 실시예에 포함되지 않는 것을 의미하지는 않는다.
도 1은 본 개시의 일 실시예에 따른 결함의 유형을 결정하기 위한 장치(100)의 구성을 개략적으로 나타낸 블록도이다. 일 실시예에서, 장치(100)는 메모리(101), 프로세서(102) 및/또는 통신 회로(103)를 포함할 수 있다. 또한, 장치(100)는 프로세서(102)에 의해 처리된 결과를 출력하기 위한 출력 장치(104)를 더 포함할 수 있다. 어떤 실시예에서는, 장치(100)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 장치(100)에 추가될 수 있다. 어떤 실시예에서는, 추가적으로 또는 대체적으로(in alternative to), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다.
장치(100) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들(예: 메모리(101), 프로세서(102) 및 통신 회로(103))은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고 받을 수 있다.
장치(100)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 장치(100)는 휴대용 통신 장치, 컴퓨터 장치, 휴대용 멀티미디어 장치, 웨어러블 장치, 가전 장치 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 개시의 장치(100)는 전술한 장치들에 한정되지 않는다.
프로세서(102)는 소프트웨어를 구동하여 프로세서(102)에 연결된 장치(100)의 적어도 하나의 구성요소를 제어할 수 있다. 또한 프로세서(102)는 본 개시와 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한 프로세서(102)는 데이터 등을 메모리(101)로부터 로드하거나, 메모리(101)에 저장할 수 있다.
메모리(101)는 다양한 데이터를 저장할 수 있다. 메모리(101)에 저장되는 데이터는, 장치(100)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어를 포함할 수 있다. 메모리(101)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다.
통신 회로(103)는, 장치(100)와 다른 외부 전자 장치간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 회로(103)는 LTE(long-term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신 회로(103)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다. 통신 회로(103)는 실시예에 따라 장치(100)에서 생략될 수 있다.
이하, 스크린 프린터(120)가 인쇄 회로 기판을 인쇄하는 표면 실장 기술(Surface Mount Technology, SMT)을 이용한 공정 과정에 대하여 간략하게 설명하도록 한다. 스크린 프린터(120)는 작업대, 스텐실(또는 메탈 마스크) 및 스퀴즈 블레이드(squeegee blade)를 포함할 수 있다. 스크린 프린터(120)에 인쇄 회로 기판이 들어와 작업대 위에 고정되면, 인쇄 회로 기판 위에 스텐실이 포개어지도록 배치될 수 있다. 스텐실은 인쇄 회로 기판의 정해진 영역에만 솔더 페이스트를 인쇄할 수 있도록 하는 복수의 개구부를 포함할 수 있다. 스텐실의 개구가 대응되는 인쇄 회로 기판의 패드 상에 위치하도록 스텐실을 인쇄 회로 기판 상에 정렬시킨 후, 스크린 프린터(120)는 스텐실에 솔더 페이스트를 인쇄하고, 스퀴즈 블레이드를 이용하여 솔더 페이스트를 스텐실의 개구부로 밀어넣어 인쇄 회로 기판 상에 패드 위에 솔더링(soldering)할 수 있다. 그 후, 스크린 프린터는 스텐실과 인쇄 회로 기판을 분리시킨다.
인쇄 회로 기판에 인쇄되는 솔더 페이스트의 형상은 SPI(solder paste inspection) 기술을 통해 검사될 수 있다. SPI 기술은, 광학 기술을 통해 인쇄 회로 기판에 인쇄된 솔더 페이스트의 2차원 또는 3차원 영상을 획득하고, 획득된 영상으로부터 인쇄 회로 기판에 인쇄되는 솔더 페이스트의 형상을 검사하는 기술이다.
상기와 같은 인쇄 회로 기판의 인쇄 공정 과정에서, 스크린 프린터(120)에 다양한 유형의 결함이 발생하거나 또는 인쇄되는 인쇄 회로 기판의 디자인 결함이 존재하는 경우, 인쇄된 회로 기판의 품질이 저하될 수 있다. 일 실시예에서, 스크린 프린터(120)의 적어도 하나의 결함 유형은 스크린 프린터(120)에서 발생 가능한 다양한 결함 유형들 중, 인쇄 회로 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 적어도 하나의 결함 유형일 수 있다. 예를 들어, 스크린 프린터(120)의 적어도 하나의 결함 유형은 스크린 프린터(120)의 스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함(예: 스퀴드 블레이드를 고정하기 위한 나사 고정의 결함 등), 스크린 프린터(120)의 지지대 결함, 스크린 프린터(120)의 테이블 결함, 지지대로 그리드 락을 사용하는 경우, 그리드 락 설정 불량에 따른 결함, 스크린 프린터(120)에서 공급하는 솔더 페이스트의 상태, 예를 들어, 솔더 페이스트의 방치, 솔더 페이스트의 반죽 불량으로 인한 결함, 스크린 프린터(120)에서 공급하는 솔더 페이스트의 부족에 의한 결함 및 스텐실 접촉 불량으로 인한 결함 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 인쇄 회로 기판의 디자인 결함은 인쇄 회로 기판의 굽힘 및 뒤틀림, 임피던스 불량 등을 포함할 수 있다.
다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 인쇄 회로 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 스크린 프린터(120)의 다양한 결함 유형이 스크린 프린터(120)의 적어도 하나의 결함 유형에 포함될 수 있다.
인쇄 회로 기판 검사 장치(110)(solder paste inspector; SPI)(이하, 검사 장치)는 인쇄된 회로 기판을 검사하여 인쇄 회로 기판의 품질에 관련된 다양한 데이터를 생성할 수 있다. 예를 들어, 검사 장치(110)는 인쇄 회로 기판의 복수의 패드에 인쇄된 솔더 페이스트의 과납(excessive volume) 및 소납(insufficient volume) 여부, 인쇄된 솔더 페이스트의 표준 편차(standard deviation), 인쇄 회로 기판과 스텐실이 얼라인(align)된 위치에서 벗어난 정도(offset), 인쇄 회로 기판 공정의 공정 능력 지수(Capability of Process, Katayori, CPK) 중 적어도 하나를 포함하는 데이터를 획득할 수 있다. 이하, 검사 장치(110)가 인쇄된 회로 기판을 검사하여 생성한 데이터를 측정 데이터라고 한다. 검사 장치(110)는 복수의 인쇄 회로 기판을 검사하고, 각각의 인쇄 회로 기판에 대응하는 측정 데이터를 생성할 수 있다.
프로세서(102)는 통신 회로(103)를 이용하여 검사 장치(110)와 통신할 수 있으며, 검사 장치(110)로부터 측정 데이터를 수신할 수 있다. 예를 들어, 프로세서(102)는 인쇄된 복수의 인쇄 회로 기판에 대한 복수의 측정 데이터를 검사 장치(110)로부터 수신하여 메모리(101)에 저장할 수 있다. 프로세서(102)는 획득한 측정 데이터를 이용하여 스크린 프린터(120) 또는 인쇄 회로 기판에 발생한 결함 유형을 결정할 수 있다. 일 실시예에 따르면, 프로세서(102)는 획득한 측정 데이터를 이용하여, 인쇄된 회로 기판의 품질에 문제가 발생하였는지 여부를 결정하고, 인쇄 회로 기판의 품질에 문제가 생긴 것으로 발생한 것으로 결정한 경우, 획득한 측정 데이터를 이용하여 스크린 프린터(120) 또는 인쇄 회로 기판에 발생한 결함 유형을 결정할 수 있다.
이하, 프로세서(102)가 스크린 프린터(120) 또는 인쇄 회로 기판에서 발생한 결함의 유형을 결정하는 과정을 설명하도록 한다.
프로세서(102)는 획득한 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 이미지를 생성할 수 있다. 일 실시예에 따르면, 입력 이미지는 인쇄 회로 기판에 포함된 복수의 패드에 각각 인쇄된 솔더 페이스트의 과납 또는 소납 여부를 나타내는 이미지일 수 있다. 이하, 인쇄 회로 기판의 패드에 인쇄된 솔더 페이스트의 과납 또는 소납 여부를 나타내는 이미지를 입력 이미지라고 한다. 예를 들어, 프로세서(102)는 측정 데이터에 기초하여, 인쇄 회로 기판의 복수의 패드 중에서 솔더 페이스트의 과납 또는 소납이 발생한 패드의 인쇄 회로 기판 상 위치를 나타내는 패턴을 포함하는 입력 이미지를 생성할 수 있다. 인쇄 회로 기판에서 솔더 페이스트의 과납 또는 소납이 발생하지 않은 경우, 해당 인쇄 회로 기판에 대응하는 입력 이미지에는 패턴이 나타나지 않을 수 있다. 예를 들어, 솔더 페이스트의 과납 또는 소납이 발생하지 않은 인쇄 회로 기판에 대응하는 입력 이미지는 블랙(또는 화이트) 이미지일 수 있다. 다만, 입력 이미지는 이에 제한되지 않으며, 측정 이미지에 포함된 인쇄 회로 기판에 인쇄된 솔더 페이스트의 다양한 상태를 나타내는 이미지일 수 있다.
프로세서(102)는 인쇄 회로 기판의 가로, 세로 길이 비율을 유지하면서, 정해진 크기를 갖는 입력 이미지를 생성할 수 있다. 입력 이미지가 인쇄 회로 기판의 실제 크기와 동일한 크기를 갖는 경우, 프로세서(102)가 처리하는 데이터의 크기가 지나치게 커질 수 있으므로, 프로세서(102)는 인쇄 회로 기판의 실제 크기보다 작은 크기의 입력 이미지를 생성할 수 있다. 일 실시예에 따르면, 프로세서(102)는 다양한 크기 및 패턴을 갖는 인쇄 회로 기판에 대응하는 입력 이미지를 생성할 수 있다. 예를 들어, 프로세서(102)는 제1 면적 및 제1 패드 집합을 갖는 제1 인쇄 회로 기판에 대응하는 제1 입력 이미지를 생성하고, 제1 면적과 다른 제2 면적 및 제1 패드 집합과 다른 제2 패드 집합을 갖는 제2 인쇄 회로 기판에 대응하는 제2 입력 이미지를 생성할 수 있다. 제1 인쇄 회로 기판 및 제2 인쇄 회로 기판의 면적은 다를 수 있으나, 제1 입력 이미지 및 제2 입력 이미지의 면적은 동일할 수 있다.
메모리(101)는 기계학습 모델을 저장할 수 있다. 기계학습 모델은, 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형과 입력 이미지와의 관련성을 나타내는 적어도 하나의 값을 도출하도록 학습될 수 있다. 기계학습 모델은 예를 들어, 트랜스포머(transformer) 모델일 수 있다. 또한, 기계학습 모델은 프로세서(102)와 유선 또는 무선으로 연동된 외부 장치(예: 외부 서버 등)의 메모리(101)에 저장될 수도 있다. 이 경우, 프로세서(102)는 유선 또는 무선으로 연동된 외부 장치와 이상이 감지된 적어도 하나의 솔더 페이스트와 관련된 결함 유형을 결정하기 위한 정보를 송수신할 수 있다.
프로세서(102)가 생성하는 적어도 하나의 결함 유형과 입력 이미지와의 관련성을 나타내는 적어도 하나의 값은 확률 값일 수 있다. 예를 들어, 적어도 하나의 값은 입력 이미지가 스크린 프린터(120) 또는 인쇄 회로 기판의 제1 결함 유형과의 관련성이 a%이고, 스크린 프린터(120) 또는 인쇄 회로 기판의 제2 결함 유형과의 관련성이 b%인 것으로 나타낼 수 있다. 즉, 프로세서(102)는 입력 이미지에 기초하여 스크린 프린터(120) 또는 인쇄 회로 기판에 발생했을 가능성이 있는 복수 개의 결함의 유형을 결정할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 관련성을 나타낼 수 있는 다양한 값이 이용될 수 있다.
메모리(101)에 저장된 기계학습 모델은, 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형에 따라 분류된 복수의 입력 이미지들을 통해 학습될 수 있다. 예를 들어, 기계학습 모델은, 스크린 프린터(120) 또는 인쇄 회로 기판의 제1 결함 유형으로 분류된 복수의 입력 이미지들, 스크린 프린터(120)의 제2 결함 유형으로 분류된 복수의 입력 이미지들을 통해 학습될 수 있다. 이와 같이 학습된 기계학습 모델은 복수의 입력 이미지가 입력되면, 입력 이미지와 제1 결함 유형 및 제2 결함 유형 중 적어도 하나와의 관련성을 나타내는 값을 출력할 수 있다.
프로세서(102)는 순차적으로 인쇄된 복수의 인쇄 회로 기판에 대한 복수의 측정 데이터를 획득하고, 복수의 측정 데이터에 기초하여 복수의 인쇄 회로 기판에 각각 대응하는 입력 이미지를 생성할 수 있다. 예를 들어, 프로세서(102)는 가장 마지막으로 인쇄된 제1 인쇄 회로 기판에 대한 제1 입력 이미지를 생성하고, 제1 인쇄 회로 기판 이전에 인쇄된 복수의 제2 인쇄 회로 기판들에 대한 복수의 제2 입력 이미지들을 생성할 수 있다. 일 실시예에 따르면, 복수의 제2 입력 이미지들은 제1 인쇄 회로 기판에 인쇄된 솔더 페이스트들에 대한 이상 여부를 감지하는 데 이용될 수 있다. 예를 들어, 프로세서(102)는 복수의 제2 입력 이미지들 및 제1 입력 이미지의 시계열적 변화에 기초하여 제1 인쇄 회로 기판의 인쇄 공정에서 스크린 프린터(120) 또는 제1 인쇄 회로 기판에 발생한 결함의 유형을 결정할 수 있다.
프로세서(102)는 제1 입력 이미지 및 복수의 제2 입력 이미지들로부터, 입력 이미지 패턴의 시계열적 변화를 나타내는 제1 데이터 및 복수의 인쇄 회로 기판들에서 솔더 페이스트의 과납 또는 소납이 발생한 위치를 나타내는 제2 데이터를 생성할 수 있다. 프로세서(102)는 스크린 프린터(120)에 순차적으로 입력된 복수의 인쇄 회로 기판들에 대한 입력 이미지들의 패턴 변화를 시계열적으로 분석하여 제1 데이터를 생성할 수 있다. 프로세서(102)는 복수의 입력 이미지들 각각에 나타난 패턴에 기초하여, 인쇄 회로 기판 상에서 솔더 페이스트의 과납 또는 소납이 발생한 위치를 나타내는 제2 데이터를 생성할 수 있다.
프로세서(102)는, 기계학습 모델을 이용하여, 제1 입력 이미지, 복수의 제2 입력 이미지, 제1 데이터 및 제2 데이터에 기초하여 스크린 프린터(120) 또는 인쇄 회로 기판에 발생한 결함의 유형을 판단할 수 있다. 기계학습 모델은 제1 입력 이미지 및 복수의 제2 입력 이미지를 획득하고, 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형과 입력 이미지와의 관련성을 나타내는 적어도 하나의 값을 도출할 수 있다. 일 실시예에 따르면, 프로세서(102)는 제1 입력 이미지 및 복수의 제2 입력 이미지들에서 동일한 패턴이 주기적으로 나타나는 경우 스크린 프린터(120)에 결함이 발생한 것으로 결정할 수 있다. 일 실시예에 따르면, 제1 입력 이미지 및 복수의 제2 입력 이미지들 모두에서 동일한 패턴이 나타난 경우, 스크린 프린터(120)에 결함이 발생하여 동일한 문제가 지속적으로 발생하는 것이라고 판단할 수 있다. 예를 들어, 제1 입력 이미지 및 복수의 제2 입력 이미지들 모두에서 동일한 패턴이 나타난 경우, 프로세서(102)는 스크린 프린터(120)에 지지대 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 제1 입력 이미지 및 복수의 제2 입력 이미지들 중에서 홀수 번째(또는 짝수 번째) 입력 이미지에 동일한 패턴이 나타난 경우, 프로세서(102)는 스크린 프린터(120)에 스퀴즈 블레이드 결함이 나타난 것으로 결정할 수 있다. 다른 실시예에 따르면, 프로세서(102)는 제1 입력 이미지 및 복수의 제2 입력 이미지에서 동일한 패턴이 주기적으로 나타나지 않은 경우에는 제1 인쇄 회로 기판 또는 스크린 프린터에 일시적 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 제1 입력 이미지에만 패턴이 나타나고 복수의 제2 입력 이미지들에는 패턴이 나타나지 않은 경우, 프로세서(102)는 제1 인쇄 회로 기판에 디자인 결함이 발생한 것으로 결정할 수 있다. 일시적 결함은 미리 결정된 개수의 인쇄 회로 기판을 인쇄하는 동안만 발생한 결함을 의미하며, 제1 인쇄 회로 기판 또는 스크린 프린터에 다양한 이유로 발생할 수 있다. 예를 들어, 제1 인쇄 회로 기판에 디자인 결함이 있거나, 스크린 프린터에서 솔더가 충분히 반죽되지 않은 상태로 프린팅되는 경우 일시적 결함이 발생할 수 있다. 스크린 프린터에서 솔더가 충분히 반죽되지 않은 경우, 몇 차례의 프린팅이 수행되며 솔더가 반죽된 이후에는 일시적 결함이 발생하지 않을 수 있다.
일 실시예에 따르면, 프로세서(102)는 복수의 입력 이미지 및 각 입력 이미지에 대응하는 결함의 유형이 맵핑된 데이터를 이용하여 기계학습 모델을 학습할 수 있다. 일 실시예에 따르면, 기계학습 모델의 학습은 오프라인에서 이루어질 수 있으며, 복수의 입력 이미지 및 각 입력 이미지에 대응하는 결함 유형이 맵핑된 데이터는 이전에 진행된 회로 기판의 인쇄 공정에 의해 획득될 수 있다.
도 2는 본 개시의 일 실시예에 따른 장치가 측정 데이터를 입력 이미지로 변환하는 과정을 도시한 것이다. 측정 데이터는 검사 장치에 의해 검사된 순서에 따라 복수의 인쇄 회로 기판에 대한 정보가 시계열적으로 결합되어 생성될 수 있다. 측정 데이터는 각 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 각각에 대하여 측정된 데이터를 포함할 수 있다. 예를 들어, 측정 데이터는 각 인쇄 회로 기판에 포함된 복수의 패드에 복수의 솔더 페이스트들의 인쇄량 및 과납/소납 여부에 대한 데이터를 포함할 수 있다.
이하, 제1 인쇄 회로 기판에 대한 측정 데이터를 제1 측정 데이터(211)라고 하고, 복수의 제2 인쇄 회로 기판들에 대한 측정 데이터를 제2 측정 데이터(212)라고 한다. 예를 들어, 제1 측정 데이터(211)와 제2 측정 데이터(212)는 하나의 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들이 인쇄된 패드들 간의 면적에 따라 정렬된 데이터일 수 있다. 예를 들어, 제1 측정 데이터(211)는 제1 인쇄 회로 기판에서 면적이 가장 큰 패드에 인쇄된 솔더 페이스트에 대한 데이터부터 면적이 가장 작은 패드에 인쇄된 솔더 페이스트에 대한 데이터까지 순서대로 정렬된 데이터일 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제1 측정 데이터(211)와 제2 측정 데이터(212)에 포함되는 복수의 솔더 페이스트들 각각에 대하여 측정된 정보들은 복수의 솔더 페이스트들이 인쇄된 패드들의 식별 정보에 따라 정렬될 수도 있고, 복수의 솔더 페이스트들 각각의 검사 순서에 따라 시계열적으로 정렬될 수도 있고, 별도의 기준 없이 랜덤하게 정렬될 수도 있다.
프로세서는 제1 측정 데이터(211)와 제2 측정 데이터(212)를 비교할 수 있다. 프로세서는 제1 측정 데이터(211)와 제2 측정 데이터(212)의 비교를 통해 제1 측정 데이터(211)와 제2 측정 데이터(212)의 차이를 판단할 수 있다. 또한, 프로세서는 판단된 차이에서 설정된 범위를 벗어나는 부분(213)을 판단할 수 있다. 프로세서는 판단된 설정된 범위를 벗어나는 부분(213)에 대응하는 적어도 하나의 패드에 인쇄된 솔더 페이스트에 과납 또는 소납이 발생한 것으로 결정할 수 있다.
프로세서는 제1 인쇄 회로 기판에 대한 검사가 종료된 후, 제1 측정 데이터(211)를 제2 측정 데이터(212)에 부가함으로써, 제2 측정 데이터(212)를 갱신할 수도 있다. 예를 들어, 프로세서는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들에 과납 또는 소납이 발생하지 않은 경우에만, 제2 측정 데이터(212)를 갱신할 수 있다. 또 다른 예로, 프로세서는 제1 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들 중 적어도 하나의 솔더 페이스트에 과납 또는 소납이 발생한 경우에도, 제2 측정 데이터(212)를 갱신할 수 있다.
프로세서는 제1 측정 데이터(211) 및 제2 측정 데이터(212)를, 기계학습 모델에 입력하기 위한 입력 이미지(220)로 변환할 수 있다. 일 실시예에 따르면, 프로세서는 측정 데이터에 기초하여, 인쇄 회로 기판의 복수의 패드 중에서 솔더 페이스트의 과납 또는 소납이 발생한 패드의 인쇄 회로 기판 상 위치를 나타내는 패턴(221)을 포함하는 입력 이미지(220)를 생성할 수 있다. 예를 들어, 입력 이미지(220)는 대응하는 인쇄 회로 기판의 모양을 갖고, 인쇄 회로 기판에 포함된 패드에 인쇄된 솔더 페이스트의 상태를 지시하는 패턴(221)을 포함할 수 있다.
일 실시예에 따르면, 프로세서는 솔더 페이스트의 과납 또는 소납 발생 여부에 따라서 입력 이미지(220)의 패턴(221)을 결정할 수 있다. 예를 들어, 인쇄 회로 기판의 모든 패드에 솔더 페이스트의 과납 또는 소납이 발생하지 않은 경우에는, 프로세서는 입력 이미지(220)를 별도의 패턴(221)이 없이 하나의 색(예: 검정색)을 갖는 이미지로 결정할 수 있다. 반면에, 인쇄 회로 기판의 일부 패드에서 솔더 페이스트의 과납 또는 소납이 발생한 경우에는, 프로세서는 입력 이미지(220)의 패턴(221)을 솔더 페이스트의 과납 또는 소납이 발생한 패드의 위치를 구분하여 표시한 것으로 결정할 수 있다. 일 실시예에 따르면, 프로세서는 입력 이미지(220)의 패턴(221)을 결정할 때 솔더 페이스트의 과납 및 솔더 페이스트의 소납을 각각 다른 색으로 표시할 수 있다. 예를 들어, 인쇄 회로 기판의 제1 패드에서는 솔더 페이스트의 과납이 발생하고, 제2 패드에서는 솔더 페이스트의 소납이 발생한 경우, 프로세서는 입력 이미지(220)에서 제1 패드의 위치를 제1 색으로 표시하고, 제2 패드의 위치는 제1 색과 구분되는 제2 색으로 표시할 수 있다.
도 3은 본 개시의 일 실시예에 따른 기계학습 모델의 구성을 개략적으로 나타낸 구성도이다. 프로세서는 상기 도 2에서 설명한 것과 같이 생성한 복수의 입력 이미지들(300)을 기계학습 모델(314)에 입력할 수 있다. 프로세서는 기계학습 모델(314)을 이용하여, 복수의 입력 이미지들(300)에 기초하여 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다.
프로세서는 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하기 위하여, 기계학습 모델(314)을 포함하는 DETR(Detection with Transformer) 구조(310)를 이용할 수 있다. 예를 들어, 기계학습 모델(314)은 트랜스포머 모델일 수 있다. 프로세서는 기계학습 모델(314)에 복수의 입력 이미지들(300)을 입력하고, 기계학습 모델(314)에서 복수의 입력 이미지들(300)이 처리된 결과로서 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함 유형에 대한 정보(320)를 획득할 수 있다.
프로세서는 기계학습 모델(314)에 입력하기 위한 복수의 입력 이미지들(300)을 결정할 수 있다. 프로세서는 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 정확하게 결정하기 위하여 복수의 입력 이미지들(300)의 시간에 따른 변화를 분석할 수 있다. 일 실시예에 따르면, 프로세서는 정해진 수(예: 9장)의 입력 이미지들(300)을 기계학습 모델(314)에 입력할 수 있다. 예를 들어, 프로세서는 제1 인쇄 회로 기판을 인쇄하는 과정에 영향을 준 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나의 결함을 분석하기 위하여, 제1 인쇄 회로 기판을 인쇄하기 이전에 스크린 프린터가 인쇄한 복수의 제2 인쇄 회로 기판에 대한 입력 이미지들(300)을 이용할 수 있다. 프로세서는 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 정확도를 높이기 위하여, 제2 인쇄 회로 기판의 개수를 더 증가시킬 수 있다. 일 실시예에 따르면, 프로세서는 외부 입력에 기초하여, 제2 인쇄 회로 기판의 개수를 결정할 수 있다.
프로세서는 복수의 입력 이미지들(300)을 기계학습 모델(314)에서 처리할 수 있는 피처 맵(feature map) 형태(311)로 변환할 수 있다. 프로세서는 복수의 입력 이미지들(300)의 시계열적 변화에 대한 제1 데이터(312)를 생성할 수 있다. 일 실시예에 따르면, 제1 데이터(312)는 복수의 입력 이미지들(300)의 패턴의 시계열적 변화를 분석한 데이터일 수 있다. 예를 들어, 제1 데이터(312)는 복수의 입력 이미지들(300) 사이에서 동일한 패턴이 나타나는지 여부 및 동일한 패턴이 나타나는 주기에 대한 데이터를 포함할 수 있다.
프로세서는 복수의 입력 이미지들(300)의 패턴의 형상에 대한 제2 데이터(313)를 생성할 수 있다. 일 실시예에 따르면, 제2 데이터(313)는 복수의 입력 이미지들(300) 각각의 패턴에 기초하여, 인쇄 회로 기판에서 솔더 페이스트의 과납 또는 소납이 발생한 패드의 위치에 대한 데이터일 수 있다.
프로세서는 피처 맵 형태(311)로 변환된 입력 이미지를 기계학습 모델(314)에 입력하여, 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다. 예를 들어, 기계학습 모델(314)은 제1 데이터(312) 및 제2 데이터(313)에 기초하여, 제1 인쇄 회로 기판의 인쇄 과정에서 영향을 준 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나의 결함의 유형을 결정할 수 있다.
기계학습 모델(314)은 제1 데이터(312)를 참고하여 스크린 프린터와 인쇄 회로 기판 중 어느 곳에서 결함이 발생하였는지 결정하고, 결함 유형에 대한 정보(320)를 출력할 수 있다. 일 실시예에 따르면, 복수의 입력 이미지들(300)에서 동일한 패턴이 반복적으로 발생한 경우 스크린 프린터에서 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 모든 입력 이미지(300)에서 동일한 패턴이 발생하였거나, 입력 이미지들(300) 중에서 홀수 번째(또는 짝수 번째) 입력 이미지에서 동일한 패턴이 발생한 경우, 스크린 프린터에서 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 입력 이미지들(300) 중 홀수 번째(또는 짝수 번째) 입력 이미지에서 동일한 패턴이 발생한 경우, 기계학습 모델(314)은 스퀴즈 블레이드 결함 또는 지지대 결함이 발생한 것으로 결정할 수 있다. 다른 실시예에 따르면, 복수의 입력 이미지들(300)에서 동일한 패턴이 반복적으로 발생하지 않은 경우 인쇄 회로 기판 또는 스크린 프린터에서 일시적 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 복수의 입력 이미지들(300) 중 하나의 입력 이미지에서만 특정한 패턴이 발생한 경우 기계학습 모델(314)은 인쇄 회로 기판의 디자인 결함이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 기계학습 모델(314)은 제2 데이터(313)에 기초하여, 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 정확하게 결정할 수 있다. 예를 들어, 스크린 프린터에 결함이 발생한 것으로 결정한 경우, 기계학습 모델(314)은 제2 데이터(313)를 참고하여, 패턴이 제1 형상일 때는 스크린 프린터가 제1 결함 유형을 갖는 것으로 결정하고, 패턴이 제2 형상일 때는 스크린 프린터가 제2 결함 유형을 갖는 것으로 결정할 수 있다.
도 4는 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다. 프로세서는 복수의 입력 이미지들에 기초하여 결함의 유형을 결정할 수 있다. 프로세서는 복수의 입력 이미지들에서 동일한 패턴이 반복적으로 나타나는지 여부에 기초하여 결함의 유형을 결정할 수 있다. 도 4에서는 8장의 입력 이미지들을 이용하여 결함의 유형을 결정하는 실시예를 도시하고 있으나, 본원 발명의 실시예는 이에 제한되지 않는다. 또한, 도 4의 복수의 입력 이미지들(400, 402) 중에서, 8번 입력 이미지에 대응하는 제8 인쇄 회로 기판이 가장 최근에 인쇄된 인쇄 회로 기판인 것으로 설명하도록 한다. 일 실시예에 따르면, 프로세서는 기계학습 모델(314)로부터 결함의 유형에 대한 정보를 획득하고, 획득한 정보를 이용하여 각 인쇄 회로 기판을 인쇄할 때 스크린 프린터 또는 인쇄 회로 기판에 발생한 결함의 유형을 나타내는 그래프(401, 403)를 생성할 수 있다.
기계학습 모델(314)은 입력된 복수의 입력 이미지들에 기초하여 생성된 제1 데이터 및 제2 데이터에 기초하여 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다. 예를 들어, 기계학습 모델(314)에 입력된 복수의 입력 이미지들(400)은 모두 동일한 패턴을 가질 수 있다. 기계학습 모델(314)은 복수의 입력 이미지들(400)을 입력 받고, 제1 데이터에 기초하여 스크린 프린터에 결함이 발생한 것으로 결정하고, 제2 데이터에 기초하여 스크린 프린터의 지지대 결함이 발생한 것으로 결정할 수 있다.
다른 실시예에 따르면, 기계학습 모델(314)에 입력된 복수의 입력 이미지들(402)에서 동일한 패턴이 나타나지 않을 수 있다. 예를 들어, 기계학습 모델(314)에 입력된 복수의 입력 이미지들(402) 중, 8번 입력 이미지에서만 특정한 패턴이 나타나고, 나머지 입력 이미지들에서는 패턴이 나타나지 않거나, 다른 패턴이 나타날 수 있다. 기계학습 모델(314)은 제1 데이터 및 제2 데이터에 기초하여, 일시적 결함이 발생한 것으로 결정할 수 있다. 예를 들어, 인쇄 회로 기판에 디자인 결함이 생긴 것으로 결정할 수 있다.
도 5는 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다. 도 5에서는 8장의 입력 이미지들을 이용하여 결함의 유형을 결정하는 실시예를 도시하고 있으나, 본원 발명의 실시예는 이에 제한되지 않는다. 또한, 복수의 입력 이미지들(500, 510) 중에서, 8번 입력 이미지에 대응하는 제8 인쇄 회로 기판이 가장 최근에 인쇄된 인쇄 회로 기판인 것으로 설명하도록 한다.
기계학습 모델(314)은 입력된 복수의 입력 이미지들(500, 510)에 기초하여, 스크린 프린터 및 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정할 수 있다. 도 5를 참조하면, 복수의 입력 이미지들(500)에서 동일한 패턴이 주기적으로 반복될 수 있다. 예를 들어, 동일한 패턴이 홀수 번째(또는 짝수 번째) 입력 이미지마다 반복되어 나타날 수 있다. 프로세서는 복수의 입력 이미지들(500)에 기초하여 제1 데이터 및 제2 데이터를 생성할 수 있다. 제1 데이터는 복수의 입력 이미지들(500) 중 홀수 번째(또는 짝수 번째) 입력 이미지에서 동일한 패턴이 반복적으로 나타난다는 정보를 포함할 수 있다. 제2 데이터는 복수의 입력 이미지들(500)에서 반복적으로 나타나는 패턴이 세로로 정렬된 형상을 갖는다는 정보를 포함할 수 있다. 기계학습 모델(314)은 제1 데이터에 기초하여 스크린 프린터에 결함이 발생한 것으로 결정할 수 있으며, 제2 데이터에 기초하여 스크린 프린터에 발생한 결함의 유형을 결정할 수 있다. 예를 들어, 기계학습 모델(314)은 스크린 프린터에 발생한 결함의 유형이 스퀴즈 블레이드 결함인 것으로 결정할 수 있다. 기계학습 모델(314)은, 스크린 프린터에서 스퀴즈 블레이드 결함이 발생했다는 정보를 출력하고, 프로세서는 해당 정보를 획득하여 스퀴즈 블레이드 결함이 발생한 것으로 결정할 수 있다.
기계학습 모델(314)에 입력된 입력 이미지들(510) 중 하나의 입력 이미지에서만 패턴이 발생한 경우에 대해서는 도 4에서 설명한 바 있으므로, 중복되는 내용에 대한 설명은 생략하도록 한다.
도 6은 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 결함의 유형을 결정하는 실시예를 도시한 것이다. 프로세서는 복수의 입력 이미지들(600) 에 나타난 패턴의 시계열적 변화에 기초한 제1 데이터 및 패턴의 형상에 관련된 제2 데이터를 생성할 수 있다. 프로세서는 기계학습 모델(314)을 이용하여, 제1 데이터 및 제2 데이터에 기초하여 결함의 유형을 결정할 수 있다. 종래에는 하나의 입력 이미지에 기초하여 결함의 유형을 결정했기 때문에, 제1 데이터를 고려하여 결함의 유형을 결정할 수 없었다. 그러나, 복수의 입력 이미지들(600) 에 포함된 패턴의 시계열적 변화를 참조하여, 결함의 유형을 보다 정확하게 결정할 수 있게 되었다. 예를 들어, 도 6을 참조하면, 복수의 입력 이미지들(600) 중에서 짝수 번째 입력 이미지들(600a, 600b, 600c, 600d)에서 동일한 패턴이 발생한 경우, 패턴의 시계열적인 변화를 고려하면 정확하게 결함의 유형을 판단할 수 있다. 제1 데이터를 고려하지 않은 경우(610)에는 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함이 발생한 것으로 잘못 결정했으나, 제1 데이터를 고려한 경우(620)에는 스퀴즈 블레이드 결함이 발생한 것으로 결함의 유형을 정확하게 결정할 수 있다. 즉, 각 입력 이미지들(600)의 패턴의 시계열적인 변화를 고려하면 동일한 입력 이미지들(600)에 대한 프로세서의 결함 유형 판단이 더욱 정확해질 수 있다.
도 7은 본 개시의 일 실시예에 따른 장치가 복수의 입력 이미지에 기초하여 다양한 결함 유형을 결정하는 실시예를 도시한 것이다. 프로세서는 복수의 입력 이미지들을 이용하여, 스크린 프린터 및 인쇄 회로 기판에 발생한 다양한 유형의 결함을 결정할 수 있다. 예를 들어, 복수의 입력 이미지들(700)에서 제1 패턴이 모두 동일하게 나타나는 경우, 프로세서는 기계학습 모델(314)을 이용하여 스크린 프린터에 스퀴즈 블레이드 결함이 발생한 것으로 결정할 수 있다.
다른 실시예에서, 복수의 입력 이미지들(701) 중 짝수 번째(또는 홀수 번째) 입력 이미지들에서 제2 패턴이 나타나는 경우, 프로세서는 기계학습 모델(314)을 이용하여 스크린 프린터에 스퀴즈 블레이드 결함이 발생한 것으로 결정할 수 있다.
다른 실시예에서, 복수의 입력 이미지들(702) 중 하나의 입력 이미지에서만 제3 패턴이 나타나는 경우, 프로세서는 기계학습 모델(314)을 이용하여 스크린 프린터에는 결함이 없으나, 인쇄 회로 기판에 디자인 결함이 발생한 것으로 결정할 수 있다.
다른 실시예에서, 복수의 입력 이미지들(703)에서 제4 패턴이 모두 동일하게 나타나는 경우, 프로세서는 기계학습 모델(314)을 이용하여 스크린 프린터에 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함이 발생한 것으로 결정할 수 있다.
다른 실시예에서, 복수의 입력 이미지들(704)에서 제5 패턴이 모두 동일하게 나타나는 경우, 프로세서는 기계학습 모델(314)을 이용하여 스크린 프린터에 지지대 결함이 나타난 것으로 결정할 수 있다.
본 발명의 실시예는 상기 언급한 예시에 제한되지 않으며, 프로세서는 인쇄 회로 기판에 대응하는 입력 이미지에 나타나는 패턴 및 복수의 입력 이미지들의 패턴의 시계열적인 변화에 기초하여 다양한 결함의 유형 중 적어도 하나가 발생한 것으로 결정할 수 있다.
본 개시의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 개시의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 개시가 속하는 기술분야의 프로그래머들에 의해 본 개시의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예에서, 기기는 본 개시의 실시예들에 따른 장치(100)일 수 있다. 일 실시예에서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예에서, 프로세서는 본 개시의 실시예들에 따른 프로세서(102)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 일 실시예에서, 저장 매체는 메모리(101)일 수 있다. 일 실시예에서, 저장매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장매체일 수 있다. 비일시적 저장매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.
도 8은 본 개시의 일 실시예에 따른 복수의 인쇄 회로 기판을 이용하여 결함의 유형을 결정하는 방법의 순서도이다. 단계 800에서, 장치(100)는 검사 장치(110)로부터 솔더 페이스트의 상태를 지시하는 측정 데이터를 수신할 수 있다. 장치(100)는 스크린 프린터(120)가 인쇄한 인쇄 회로 기판에 대한 정보를 포함하는 측정 데이터를 검사 장치(110)로부터 획득할 수 있다. 측정 데이터는 인쇄 회로 기판에 인쇄된 솔더 페이스트들의 인쇄량 및, 과납 또는 소납 여부에 대한 정보를 포함할 수 있다. 일 실시예에 따르면, 측정 데이터는 하나의 인쇄 회로 기판에 인쇄된 복수의 솔더 페이스트들이 인쇄된 패드의 면적의 크기에 따라서 정렬된 데이터일 수 있다.
단계 802에서, 장치(100)는 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지들을 생성할 수 있다. 입력 이미지는 인쇄 회로 기판에 포함된 복수의 패드에 각각 인쇄된 솔더 페이스트의 과납 또는 소납 여부를 나타내는 이미지일 수 있다. 장치(100)는 제1 측정 데이터와 제2 측정 데이터를 비교하고, 제1 측정 데이터가 제2 측정 데이터의 차이를 판단할 수 있다. 장치(100)는 판단된 차이에서 설정된 범위를 벗어나는 부분을 결정할 수 있다. 장치(100)는 설정된 범위를 벗어나는 부분에 대응하는 적어도 하나의 패드에 인쇄된 솔더 페이스트에 과납 또는 소납이 발생한 것으로 결정할 수 있다. 예를 들어, 장치(100)는 측정 데이터에 기초하여, 인쇄 회로 기판의 복수의 패드 중에서 솔더 페이스트의 과납 또는 소납이 발생한 패드의 인쇄 회로 기판 상 위치를 나타내는 패턴을 포함하는 입력 이미지를 생성할 수 있다. 인쇄 회로 기판에서 솔더 페이스트의 과납 또는 소납이 발생하지 않은 경우, 해당 인쇄 회로 기판에 대응하는 입력 이미지에는 패턴이 나타나지 않을 수 있다.
일 실시예에 따르면, 장치(100)는 인쇄 회로 기판의 가로, 세로 길이 비율과 동일한 가로, 세로 비율을 가지면서, 정해진 크기를 갖는 입력 이미지를 생성할 수 있다. 장치(100)는 효율적인 데이터 처리를 위하여 입력 이미지의 크기를 실제 인쇄 회로 기판의 크기보다 작게 생성할 수 있다. 일 실시예에 따르면, 장치(100)는 서로 다른 크기 및 패드 집합을 갖는 인쇄 회로 기판들의 입력 이미지를 생성할 수 있다.
단계 804에서, 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지들을 기계학습 모델(314)에 입력할 수 있다. 장치(100)의 메모리는 기계학습 모델(314)을 저장할 수 있다. 기계학습 모델(314)은, 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형과 입력 이미지와의 관련성을 나타내는 적어도 하나의 값을 도출하도록 학습될 수 있다. 기계학습 모델(314)은 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형에 따라 분류된 복수의 입력 이미지들을 통해 학습될 수 있다. 기계학습 모델(314)은 예를 들어, 트랜스포머(transformer) 모델일 수 있다.
단계 806에서, 장치(100)는 기계학습 모델(314)을 이용하여 스크린 프린터(120) 및 인쇄 회로 기판 중 적어도 하나의 결함 유형을 결정할 수 있다. 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지들로부터, 입력 이미지 패턴의 시계열적 변화를 나타내는 제1 데이터 및 복수의 인쇄 회로 기판들에서 솔더 페이스트의 과납 또는 소납이 발생한 위치를 나타내는 제2 데이터를 생성할 수 있다. 장치(100)는 스크린 프린터(120)에 순차적으로 입력된 복수의 인쇄 회로 기판들에 대한 입력 이미지들의 패턴 변화를 시계열적으로 분석하여 제1 데이터를 생성할 수 있다. 장치(100)는 복수의 입력 이미지들 각각에 나타난 패턴에 기초하여, 인쇄 회로 기판 상에서 솔더 페이스트의 과납 또는 소납이 발생한 위치를 나타내는 제2 데이터를 생성할 수 있다.
기계학습 모델(314)은 제1 입력 이미지 및 복수의 제2 입력 이미지를 획득하고, 스크린 프린터(120) 또는 인쇄 회로 기판의 적어도 하나의 결함 유형과 입력 이미지와의 관련성을 나타내는 적어도 하나의 값을 도출할 수 있다. 일 실시예에 따르면, 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지들에서 동일한 패턴이 주기적으로 나타나는 경우 스크린 프린터(120)에 결함이 발생한 것으로 결정할 수 있다. 일 실시예에 따르면, 제1 입력 이미지 및 복수의 제2 입력 이미지들 모두에서 동일한 패턴이 나타난 경우, 스크린 프린터(120)에 결함이 발생하여 동일한 문제가 지속적으로 발생하는 것이라고 판단할 수 있다. 다른 실시예에 따르면, 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지에서 동일한 패턴이 주기적으로 나타나지 않은 경우에는 제1 인쇄 회로 기판 또는 스크린 프린터에 일시적 결함이 발생한 것으로 결정할 수 있다.
도 9는 본 개시의 일 실시예에 따른 장치가 제1 데이터 및 제2 데이터에 기초하여 결함의 유형을 결정하는 실시예의 순서도이다. 단계 900에서, 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지 각각의 패턴 사이의 시계열적 변화에 기초하여 제1 데이터를 생성할 수 있다. 예를 들어, 제1 데이터는 복수의 입력 이미지들 사이에서 동일한 패턴이 반복적으로 나타나는지 여부 및 반복적으로 나타나는 주기에 대한 정보를 포함할 수 있다.
단계 902에서, 장치(100)는 제1 입력 이미지 및 복수의 제2 입력 이미지 각각의 패턴에 기초하여 복수의 인쇄 회로 기판의 솔더 페이스트의 위치를 분석한 제2 데이터를 생성할 수 있다. 제2 데이터는 복수의 입력 이미지들에 포함된 패턴의 형상에 대한 정보를 포함할 수 있다.
단계 904에서, 장치(100)는 제1 데이터 및 제2 데이터에 기반하여 스크린 프린터(120) 및 제1 인쇄 회로 기판 중 적어도 하나에 대한 결함 유형을 결정할 수 있다. 장치(100)는 기계학습 모델(314)을 이용하여, 제1 데이터 및 제2 데이터에 기초하여 결함 유형을 결정할 수 있다.
도 8 및 도 9에 도시된 순서도에서 본 개시에 따른 방법 또는 알고리즘의 각 단계들이 순차적인 순서로 설명되었지만, 각 단계들은 순차적으로 수행되는 것 외에, 본 개시에 의해 임의로 조합될 수 있는 순서에 따라 수행될 수도 있다. 본 순서도에 따른 설명은, 방법 또는 알고리즘에 변화 또는 수정을 가하는 것을 제외하지 않으며, 임의의 단계가 필수적이거나 바람직하다는 것을 의미하지 않는다. 일 실시예에서, 적어도 일부의 단계가 병렬적, 반복적 또는 휴리스틱하게 수행될 수 있다. 일 실시예에서, 적어도 일부의 단계가 생략되거나, 다른 단계가 추가될 수 있다.
이상 다양한 실시예들에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시의 기술적 사상은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는 것으로 이해되어야 한다.

Claims (20)

  1. 하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 의한 실행 시 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 기계학습 모델이 저장된 하나 이상의 메모리를 포함하고,
    상기 하나 이상의 프로세서는,
    스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하고,
    상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하고 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -, 및
    상기 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는, 장치.
  2. 제1항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴 사이의 시계열적 변화에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 상태를 분석한 제1 데이터를 생성하고,
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 위치를 분석한 제2 데이터를 생성하고, 및
    상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는, 장치.
  3. 제2항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제1 데이터에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나는지 여부에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 발생한 결함의 유형을 결정하는, 장치.
  4. 제3항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 스크린 프린터에 결함이 발생한 것으로 결정함에 대응하여, 상기 기계학습 모델에 기초하여 상기 제2 데이터로부터 상기 스크린 프린터에 발생한 결함의 유형을 결정하는, 장치.
  5. 제2항에 있어서,
    상기 제1 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 나타나는지 여부 및 동일한 패턴이 나타나는 주기를 지시하는 데이터를 포함하고,
    상기 제2 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴의 형상에 대한 데이터를 포함하는 것을 특징으로 하는 장치.
  6. 제1항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 측정 데이터를 각각 하나의 인쇄 회로 기판에 대응하는 복수의 데이터로 분할하고,
    분할된 상기 복수의 데이터에 기초하여, 각 인쇄 회로 기판에 인쇄된 솔더 페이스트가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 이미지를 생성하고, 및
    상기 복수의 이미지의 크기를 미리 결정된 크기로 변경하여 상기 복수의 입력 이미지를 생성하는 장치.
  7. 제1항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 상기 제1 결함 유형이 발생할 제1 확률 및 제2 결함 유형이 발생할 제2 확률을 결정하는 장치.
  8. 제1항에 있어서,
    기판 검사 장치와 통신 가능하게 연결된 통신 회로를 더 포함하고,
    상기 통신 회로는, 상기 기판 검사 장치로부터 상기 복수의 인쇄 회로 기판들에 인쇄된 솔더 페이스트의 상태를 지시하는 상기 측정 데이터를 획득하는, 장치.
  9. 제1항에 있어서,
    상기 결함의 유형은,
    스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 스텐실 하단 지지대 결함, 클램프 접촉 불량 및 손상에 의한 결함, 솔더페이스트 방치와 솔더페이스트의 반죽 불량으로 인한 결함, 특정 부분 솔더페이스트 부족에 의한 결함, 스텐실과 보드의 접촉 불량으로 인한 결함, 스텐실 디자인에 대한 결함, 보드 디자인에 대한 결함 중 적어도 하나를 포함하는, 장치.
  10. 제1항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 스크린 프린터의 적어도 하나의 결함 유형에 따라 분류된 복수의 인쇄 회로 기판들 각각에 인쇄된 솔더 페이스트들이 미리 결정된 기준을 만족하는지 여부에 기초하여 결정된 적어도 하나의 패턴을 갖는 복수의 이미지들을 통해 상기 기계학습 모델을 학습하는, 장치.
  11. 제10항에 있어서,
    상기 기계학습 모델은, 서로 다른 크기와 형상을 가지는 학습용 인쇄 회로 기판 각각에 인쇄된 솔더 페이스트가 미리 결정된 기준에 만족하는지 여부에 기초하여 학습된 모델인, 장치.
  12. 제10항에 있어서,
    상기 기계학습 모델은, 트랜스포머(transformer) 모델인, 장치.
  13. 스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하는 단계;
    상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하는 단계 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -; 및
    하나 이상의 메모리에 저장된 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계를 포함하는 방법.
  14. 제13항에 있어서,
    상기 결함의 유형을 결정하는 단계는,
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴 사이의 시계열적 변화에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 상태를 분석한 제1 데이터를 생성하는 단계;
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 복수의 인쇄 회로 기판에 인쇄된 솔더 페이스트의 위치를 분석한 제2 데이터를 생성하는 단계; 및
    상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계를 포함하는, 방법.
  15. 제14항에 있어서,
    상기 결함의 유형을 결정하는 단계는,
    상기 제1 데이터에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 주기적으로 나타나는지 여부에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 발생한 결함의 유형을 결정하는 단계를 포함하는, 방법.
  16. 제15항에 있어서,
    상기 결함 유형을 결정하는 단계는,
    상기 스크린 프린터에 결함이 발생한 것으로 결정함에 대응하여, 상기 기계학습 모델에 기초하여 상기 제2 데이터로부터 상기 스크린 프린터에 발생한 결함의 유형을 결정하는 단계를 포함하는, 방법.
  17. 제14항에 있어서,
    상기 제1 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 사이에서 동일한 패턴이 나타나는지 여부 및 동일한 패턴이 나타나는 주기를 지시하는 데이터를 포함하고,
    상기 제2 데이터는, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴의 형상에 대한 데이터를 포함하는 방법.
  18. 제13항에 있어서,
    상기 결함 유형을 결정하는 단계는,
    상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지 각각의 패턴에 기초하여, 상기 스크린 프린터 또는 상기 제1 인쇄 회로 기판에 상기 제1 결함 유형이 발생할 제1 확률 및 제2 결함 유형이 발생할 제2 확률을 결정하는 단계를 더 포함하는 방법.
  19. 제13항에 있어서,
    상기 스크린 프린터의 적어도 하나의 결함 유형에 따라 분류된 복수의 인쇄 회로 기판들 각각에 인쇄된 솔더 페이스트들이 미리 결정된 기준을 만족하는지 여부에 기초하여 결정된 적어도 하나의 패턴을 갖는 복수의 이미지들을 통해 상기 기계학습 모델을 학습하는 방법.
  20. 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서,
    상기 명령은, 상기 하나 이상의 프로세서가,
    스크린 프린터에 의해 복수의 회로 기판에 인쇄된 솔더 페이스트의 상태를 지시하는 측정 데이터를 획득하는 단계;
    상기 복수의 인쇄 회로 기판에 일대일 대응되며, 상기 측정 데이터가 미리 결정된 기준에 만족하는지 여부를 지시하는 복수의 입력 이미지를 생성하는 단계 - 상기 복수의 입력 이미지는 제1 인쇄 회로 기판에 대응되는 제1 입력 이미지 및 상기 제1 인쇄 회로 기판 이전에 순차적으로 솔더 페이스트가 인쇄된 인쇄 회로 기판 각각에 대응되는 복수의 제2 입력 이미지를 포함하고 -; 및
    하나 이상의 메모리에 저장된 기계학습 모델에 기초하여, 상기 제1 입력 이미지 및 상기 복수의 제2 입력 이미지로부터 상기 스크린 프린터 및 상기 제1 인쇄 회로 기판 중 적어도 하나에 발생한 결함의 유형을 결정하는 단계
    를 수행하도록 하는, 컴퓨터 판독 가능한 기록 매체.
PCT/KR2023/018039 2022-11-10 2023-11-10 결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 WO2024101940A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0149255 2022-11-10
KR20220149255 2022-11-10

Publications (1)

Publication Number Publication Date
WO2024101940A1 true WO2024101940A1 (ko) 2024-05-16

Family

ID=91033241

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/018039 WO2024101940A1 (ko) 2022-11-10 2023-11-10 결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체

Country Status (1)

Country Link
WO (1) WO2024101940A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180106856A (ko) * 2017-03-21 2018-10-01 테스트 리서치 인코포레이티드 자동 광학 검사 시스템 및 그 동작 방법
KR20190118627A (ko) * 2017-03-21 2019-10-18 제이에프이 스틸 가부시키가이샤 표면 결함 검사 방법 및 표면 결함 검사 장치
KR20200006028A (ko) * 2019-12-30 2020-01-17 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US20220012917A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Printed circuit board assembly defect detection
US20220101016A1 (en) * 2020-09-30 2022-03-31 Invisible AI Inc. Assembly monitoring system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180106856A (ko) * 2017-03-21 2018-10-01 테스트 리서치 인코포레이티드 자동 광학 검사 시스템 및 그 동작 방법
KR20190118627A (ko) * 2017-03-21 2019-10-18 제이에프이 스틸 가부시키가이샤 표면 결함 검사 방법 및 표면 결함 검사 장치
KR20200006028A (ko) * 2019-12-30 2020-01-17 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US20220012917A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Printed circuit board assembly defect detection
US20220101016A1 (en) * 2020-09-30 2022-03-31 Invisible AI Inc. Assembly monitoring system

Similar Documents

Publication Publication Date Title
WO2020153712A1 (ko) 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법
WO2013162341A1 (ko) 스크린 프린터 장비의 보정방법 및 이를 이용한 기판 검사시스템
CN203069520U (zh) 多功能pcb自动测试系统
WO2011068268A1 (ko) 엘이디 검사방법
CN202974890U (zh) 多功能pcb测试系统
WO2018074755A1 (ko) 기판 검사장치 및 이를 이용한 기판 검사방법
WO2024101940A1 (ko) 결함의 유형을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
JP3191467B2 (ja) プリント基板検査データ作成方法
WO2013009151A2 (ko) 검사방법
CN110658215B (zh) 一种基于机器视觉的pcb板自动拼接检测方法与装置
CN112446865A (zh) 瑕疵识别方法、装置、设备和存储介质
WO2015147502A1 (ko) 솔더 프린트 장치, 솔더 검사장치 및 솔더 검사장치 시스템의 패드 정보 보정방법
WO2013100223A1 (ko) 기판 검사장치의 높이정보 생성 방법
CN202975049U (zh) 具有定位摄像头的治具组合
TW200842346A (en) Detection method of printed circuit boards and the system thereof
WO2024072172A1 (ko) 스크린 프린터의 최적의 세척 주기를 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
CN110196504B (zh) 一种应用于lcd玻璃aoi测试的屏蔽干扰污点方法及系统
JP2006284543A (ja) 実装回路基板検査方法および実装回路基板検査装置
JP2011252770A (ja) プリント基板の検査装置およびその検査方法
JPH0643112A (ja) 画像検査装置のティーチング方法とティーチング装置
WO2016093597A1 (ko) 기판 상에 형성된 부품의 터미널 검사방법 및 기판 검사장치
CN110068582B (zh) 一种aoi印制板检测系统
JP2015059875A (ja) 検査結果表示データ生成装置、検査結果表示装置、基板検査システムおよび検査結果表示データ生成方法
JP4723124B2 (ja) ポジションデータの生成方法
WO2017171258A2 (ko) X선 검출용 디텍터의 신호를 교정하기 위한 방법 및 시스템

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: 23889196

Country of ref document: EP

Kind code of ref document: A1