[go: up one dir, main page]

KR102300951B1 - 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법 - Google Patents

기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법 Download PDF

Info

Publication number
KR102300951B1
KR102300951B1 KR1020207015760A KR20207015760A KR102300951B1 KR 102300951 B1 KR102300951 B1 KR 102300951B1 KR 1020207015760 A KR1020207015760 A KR 1020207015760A KR 20207015760 A KR20207015760 A KR 20207015760A KR 102300951 B1 KR102300951 B1 KR 102300951B1
Authority
KR
South Korea
Prior art keywords
defect
image
defect types
substrate
solder
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
KR1020207015760A
Other languages
English (en)
Other versions
KR20200093559A (ko
Inventor
김종환
박주연
황예원
박진만
이승제
최태민
유용호
이덕영
Original Assignee
주식회사 고영테크놀러지
한국과학기술원
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, 한국과학기술원 filed Critical 주식회사 고영테크놀러지
Publication of KR20200093559A publication Critical patent/KR20200093559A/ko
Application granted granted Critical
Publication of KR102300951B1 publication Critical patent/KR102300951B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0817—Monitoring of soldering processes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2513—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object with several lines being projected in more than one direction, e.g. grids, patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • G01N2021/95646—Soldering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
    • H05K2203/16—Inspection; Monitoring; Aligning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

기판 검사 장치가 개시된다. 기판 검사 장치는, 제1 기판에 대한 이미지를 이용하여, 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성하고, 생성된 적어도 하나의 이미지를 머신-러닝 기반 모델에 적용하고, 머신-러닝 기반 모델로부터, 스크린 프린터의 복수의 제1 결함 유형의 각각과 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득하고, 획득된 복수의 제1 값 및 복수의 제1 이미지를 이용하여, 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하고, 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정할 수 있다.

Description

기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법
본 개시는 기판 검사 장치에 관한 것으로서, 보다 구체적으로 기판의 인쇄에 이용된 스크린 프린터의 결함 유형을 결정하기 위한 기판 검사 장치에 관한 것이다.
전자 장치에 장착되는 기판에 솔더 페이스트가 인쇄되는 공정은 스크린 프린터에 의해 수행되며, 스크린 프린터가 기판에 솔더 페이스트를 인쇄하는 공정은 다음과 같다. 스크린 프린터는 기판을 고정시키기 위한 테이블에 기판을 위치 시키고, 스텐실의 개구가 대응되는 기판의 패드 상에 위치하도록 스텐실을 기판 상에 정렬시킨다. 이 후, 스크린 프린터는 스퀴지(squeegee)를 이용하여 스텐실의 개구를 통해 솔더 페이스트를 기판에 인쇄한다. 그 후, 스크린 프린터는 스텐실과 기판을 분리시킨다.
기판에 인쇄되는 솔더 페이스트의 형상은 SPI(solder paste inspection) 기술을 통해 검사될 수 있다. SPI 기술은, 광학 기술을 통해 기판에 인쇄된 솔더 페이스트의 2차원 또는 3차원 영상을 획득하고, 획득된 영상으로부터 기판에 인쇄되는 솔더 페이스트의 형상을 검사하는 기술이다.
본 개시는, 머신-러닝 기반 모델을 이용하여 솔더 페이스트의 이상(anomaly)과 관련된 스크린 프린터의 결함(fault) 유형 및 스크린 프린터의 결함과 관련된 기판 상의 위치를 결정할 수 있는 기판 검사 장치를 제공한다.
본 개시는, 기판 검사 장치에서, 머신-러닝 기반 모델을 이용하여 솔더 페이스트의 이상과 관련된 스크린 프린터의 결함 유형 및 스크린 프린터의 결함과 관련된 기판 상의 위치를 결정하는 방법을 제공한다.
본 개시의 다양한 실시예에 따르면, 기판을 검사하는 장치는, 스크린 프린터의 복수의 제1 결함 유형의 각각과 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 도출하고, 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지를 이용하여, 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 생성하도록 학습된 머신-러닝 기반 모델을 저장하는 메모리, 디스플레이 및상기 메모리 및 상기 디스플레이와 전기적으로 연결된 프로세서를 포함할 수 있다. 상기 프로세서는, 제1 기판에 대한 이미지에 기초하여, 상기 제1 기판에 인쇄된 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 상기 제1 기판에 대한 이미지를 이용하여, 상기 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성하고, 상기 생성된 적어도 하나의 이미지를 상기 머신-러닝 기반 모델에 적용하고, 상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각과 상기 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득하고, 상기 획득된 복수의 제1 값에 기초하여, 상기 복수의 제1 결함 유형 중 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하고, 상기 복수의 제1 이미지 중 상기 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 상기 복수의 제2 솔더 페이스트 중 상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 제1 기판에 대한 이미지를 통해 획득되는 복수의 제1 솔더 페이스트에 대한 측정 정보를 이용하여, 상기 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상을 감지할 수 있다.
일 실시예에서, 상기 측정 정보는, 솔더 페이스트에 대한 부피, 면적, 높이 형상 또는 위치 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 스크린 프린터의 복수의 제1 결함 유형은, 스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 지지대 결함, 테이블 결함, 그리드 락 설정 불량에 따른 결함, 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함, 솔더 페이스트의 부족에 의한 결함, 스텐실 접촉 불량으로 인한 결함, 스텐실 흠집에 의한 결함 및 기판의 휘어짐에 의한 결함 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 복수의 이미지들을 통해 상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 도출하고, 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 생성하도록 학습될 수 있다.
일 실시예에서, 상기 프로세서는, 상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득하고, 상기 임계값 정보를 통해 확인되는 상기 복수의 제1 유형의 각각의 임계값과 상기 획득된 복수의 제1 값을 비교함으로써, 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 통해 상기 복수의 제1 결함 유형 각각에 설정된 임계값을 조정함으로써, 상기 임계값 정보를 학습할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델에 의해 생성되는 복수의 이미지의 각각이 나타내는 영역은 서로 다른 결함 유형과 관련된 영역일 수 있다.
일 실시예에서, 상기 프로세서는, 상기 복수의 제2 이미지에 기초하여, 복수의 제2 결함 유형과 관련된 영역을 확인하고, 상기 복수의 제2 결함 유형과 관련된 영역과 상기 제1 기판에 대한 이미지를 통해 확인되는 상기 복수의 제2 솔더 페이스트의 각각의 위치에 기초하여, 상기 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 복수의 제2 결함 유형을 결정한 후, 상기 생성된 적어도 하나의 이미지를 통해 상기 머신-러닝 기반 모델을 학습시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 기판 검사 장치에서 스크린 프린터의 결함 유형을 결정하는 방법은, 제1 기판에 대한 이미지에 기초하여, 상기 제1 기판에 인쇄된 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 상기 제1 기판에 대한 이미지를 이용하여, 상기 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성하는 단계, 상기 생성된 적어도 하나의 이미지를 머신-러닝 기반 모델에 적용하는 단계, 상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각과 상기 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득하는 단계, 상기 획득된 복수의 제1 값에 기초하여, 상기 복수의 제1 결함 유형 중 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계 및 상기 복수의 제1 이미지 중 상기 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 상기 복수의 제2 솔더 페이스트 중 상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계를 포함하고, 상기 머신-러닝 기반 모델은, 스크린 프린터의 복수의 제1 결함 유형의 각각과 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 도출하고, 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지를 이용하여, 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 생성하도록 학습될 수 있다.
일 실시예에서, 상기 방법은, 상기 제1 기판에 대한 이미지를 통해 획득되는 복수의 제1 솔더 페이스트에 대한 측정 정보를 이용하여, 상기 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상을 감지하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 측정 정보는, 솔더 페이스트에 대한 부피, 면적, 높이 형상 또는 위치 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 스크린 프린터의 복수의 제1 결함 유형은, 스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 지지대 결함, 테이블 결함, 그리드 락 설정 불량에 따른 결함, 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함, 솔더 페이스트의 부족에 의한 결함, 스텐실 접촉 불량으로 인한 결함, 스텐실 흠집에 의한 결함 및 기판의 휘어짐에 의한 결함 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 복수의 이미지들을 통해 상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 도출하고, 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 생성하도록 학습될 수 있다.
일 실시예에서, 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계는, 상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득하는 단계 및 상기 임계값 정보를 통해 확인되는 상기 복수의 제1 유형의 각각의 임계값과 상기 획득된 복수의 제1 값을 비교함으로써, 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 통해 상기 복수의 제1 결함 유형 각각에 설정된 임계값을 조정함으로써, 상기 임계값 정보를 학습할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델에 의해 생성되는 복수의 이미지의 각각이 나타내는 영역은 서로 다른 결함 유형과 관련된 영역일 수 있다.
일 실시예에서, 상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계는, 상기 복수의 제2 이미지에 기초하여, 복수의 제2 결함 유형과 관련된 영역을 확인하는 단계 및 상기 복수의 제2 결함 유형과 관련된 영역과 상기 제1 기판에 대한 이미지를 통해 확인되는 상기 복수의 제2 솔더 페이스트의 각각의 위치에 기초하여, 상기 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 방법은, 상기 복수의 제2 결함 유형을 결정한 후, 상기 생성된 적어도 하나의 이미지를 통해 상기 머신-러닝 기반 모델을 학습시키는 단계를 더 포함할 수 있다.
본 발명의 다양한 실시예에 따른 기판 검사 장치는, 기판에 인쇄된 복수의 솔더 페이스트 중, 이상이 감지된 복수의 솔더 페이스트를 나타내는 적어도 하나의 이미지를 이용하여, 스크린 프린터의 적어도 하나의 결함 유형 중, 이상이 감지된 복수의 솔더 페이스트와 관련된 스크린 프린터의 결함 유형을 결정할 수 있다. 또한, 기판 검사 장치는 스크린 프린터의 결함과 관련된 기판 상의 위치를 결정할 수 있다. 이를 통해, 솔더 페이스트의 이상을 초래한 스크린 프린터의 결함 유형 및 스크린 프린터의 결함과 관련된 기판 상의 위치를 신속히 파악하여 이를 교정할 수 있다.
도 1은 본 개시의 다양한 실시예에 따른 기판 검사 장치의 블록도이다.
도 2는 본 개시의 다양한 실시예에 따른 이상이 감지된 솔더 페이스트와 관련된 스크린 프린터의 결함 유형 및 스크린 프린터의 결함과 관련된 기판 상의 위치를 결정하는 방법의 흐름도이다.
도 3은 본 개시의 다양한 실시예에 따른 기판에 인쇄된 복수의 솔더 페이스트의 이상을 감지하는 방법의 흐름도이다.
도 4a 및 도 4b는 본 개시의 다양한 실시예에 따른 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 이미지를 도시한다.
도 5는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에서 생성되는 복수의 이미지를 도시한다.
도 7은 본 개시의 다양한 실시예에 따른 이상이 감지된 복수의 제2 솔더 페이스트와 연관된 복수의 제2 결함 유형을 결정하는 방법의 흐름도이다.
도 8은 본 개시의 다양한 실시예에 따른 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트를 결정하는 방법의 흐름도이다.
도 9는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에서 생성되는 복수의 이미지를 도시한다.
본 개시의 실시예들은 본 개시의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 개시에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.
본 개시에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 개시에 사용되는 모든 용어들은 본 개시를 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 개시에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.
본 개시에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 개시에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 개시에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.
본 개시에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 개시에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.
이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
아울러, 도면에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 개시의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 개시에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 개시의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 1은 본 개시의 다양한 실시예에 따른 기판 검사 장치의 블록도이다.
본 개시의 다양한 실시예에 따르면, 기판 검사 장치(100)는, 조명부(105), 이미지 센서(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 또한, 기판 검사 장치(100)는 프로세서(130)에 의해 처리된 결과를 출력하기 위한 디스플레이(140), 다른 출력 장치(미도시) 또는 처리된 결과를 다른 전자 장치로 전송하기 위한 통신 회로(미도시)를 더 포함할 수 있다. 조명부(105), 이미지 센서(110), 메모리(120), 프로세서(130) 및 디스플레이(140)는 전기적으로 연결되어 신호를 송수신할 수 있다.
조명부(105)는 적어도 하나로 구성되어 부품의 실장 상태를 검사하기 위해 미리 설정된 위치로 이동된 기판에 패턴광을 조사할 수 있다. 예를 들어, 패턴광은 기판에 대한 3차원 형상을 측정하기 위하여 조사되는, 일정한 주기의 패턴을 갖는 광일 수 있다. 조명부(105)는 줄무늬의 밝기가 사인파 형태를 띠는 패턴광, 밝은 부분과 어두운 부분이 반복되어 표시되는 온-오프(on-off) 형태의 패턴광 또는 밝기의 변화가 삼각형 파형인 삼각파 패턴광 등을 조사할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 조명부(105)는 밝기의 변화가 일정한 주기로 반복되는 다양한 형태의 패턴을 포함하는 광을 조사할 수 있다.
또한, 조명부(105)는 기판에 제1 파장의 광, 제2 파장의 광 및 제3 파장의 광을 조사할 수 있다. 예를 들어, 조명부는 제1 파장의 광, 제2 파장의 광 및 제3 파장의 광 중 하나의 광을 순차적으로 조사하거나 적어도 두 개의 광을 동시에 조사할 수 있다.
일 실시예에서, 이미지 센서(110)는 기판 및 기판에 실장된 부품으로부터 수직으로 반사된 패턴광, 제1 파장의 광, 제2 파장의 광 및 제3 파장의 광 중 적어도 하나의 광을 수신할 수 있다. 이미지 센서(110)는 수신된 패턴광, 제1 파장의 광, 제2 파장의 광 및 제3 파장의 광 중 적어도 하나를 이용하여 기판에 대한 이미지 및 3차원 형상을 생성할 수 있다.
이와 같이 이미지 센서(110)는 스크린 프린터(101)에 의해 복수의 솔더 페이스트가 인쇄된 기판에 대한 이미지를 획득할 수 있다. 이미지 센서(110)에 의해 획득되는 이미지는 기판에 대한 2차원 또는 3차원 이미지일 수 있다. 예를 들어, 이미지 센서(110)는 적어도 하나의 CCD(Charge Coupled Device) 카메라, CMOS(Complementary Metal Oxide Semiconductor,) 카메라 등을 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 다양한 이미지 센서가 이미지 센서(110)로 이용될 수 있다.
일 실시예에서, 이미지 센서(110)에 의해 획득되는 기판에 대한 이미지는, 기판에 인쇄된 복수의 솔더 페이스트에 대한 정보를 측정하는 데에 이용될 수 있다. 예를 들어, 프로세서(130)는 기판에 대한 이미지를 이용하여, 기판에 인쇄된 복수의 솔더 페이스트에 대한 부피, 면적, 높이, 형상 또는 위치 중 적어도 하나를 포함하는 정보를 측정할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 기판에 대한 이미지를 통해, 복수의 솔더 페이스트의 특성을 나타낼 수 있는 다양한 정보가 측정될 수 있다. 이하에서, "측정 정보"는 기판에 대한 이미지를 이용하여 특정되는 복수의 솔더 페이스트에 대한 정보로 정의될 수 있다.
일 실시예에서, 메모리(120)는 기판 검사 장치(100)의 적어도 하나의 다른 구성 요소에 관계된 명령 또는 데이터를 저장할 수 있다. 또한, 메모리(120)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 예를 들어, 메모리(120)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 휘발성 메모리(예: DRAM, SRAM 또는 SDRAM 등), 비휘발성 메모리(예: 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD)) 중 적어도 하나를 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 기판 검사 장치(100)와 기능적으로 또는 물리적으로 연결될 수 있다.
일 실시예에서, 메모리(120)는 프로세서(130)를 동작하도록 하는 명령들을 저장할 수 있다. 예를 들어, 메모리(120)는 프로세서(130)가 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동하도록 하는 명령들을 저장할 수 있다. 프로세서(130)는 메모리(120)에 저장된 명령들에 기초하여 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동할 수 있다. 이하에서는 기판 검사 장치(100)의 각 구성 요소들을 주체로 기판 검사 장치(100)의 동작을 설명하도록 한다. 또한, 각 구성 요소들에 의한 동작을 수행하도록 하는 명령들이 메모리(120)에 저장될 수 있다.
일 실시예에서, 메모리(120)는 머신-러닝 기반 모델을 저장할 수 있다. 머신-러닝 기반 모델은 스크린 프린터(101)의 복수의 제1 결함 유형의 각각과 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 도출할 수 있다. 예를 들어, 복수의 제1 결함 유형이 수가 5 개인 경우, 머신-러닝 기반 모델은 복수의 제1 결함 유형 각각과 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 5 개의 값을 도출할 수 있다.
일 실시예에서, 복수의 제1 결함 유형과 기판에 인쇄된 복수의 솔더 페이스트들의 이상 여부를 나타내는 이미지와의 관련성을 나타내는 복수의 값은 확률 값일 수 있다. 예를 들어, 머신-러닝 기반 모델로부터 도출된 복수의 값을 통해 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지가 스크린 프린터(101)의 제1 결함 유형과의 관련성이 a %이고, 스크린 프린터(101)의 제2 결함 유형과의 관련성이 b %인 것으로 확인될 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 관련성을 나타낼 수 있는 다양한 값이 이용될 수 있다. 이와 같이, 머신-러닝 기반 모델에서 도출되는 복수의 값은 스크린 프린터(101)의 복수의 제1 결함 유형 중 이상이 감지된 복수의 솔더 페이스트와 관련돤 복수의 제2 결함 유형을 결정하는 데에 이용될 수 있다.
또한, 머신-러닝 기반 모델은 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지를 이용하여, 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 생성하도록 학습될 수 있다. 예를 들어, 복수의 제1 결함 유형이 수가 5 개인 경우, 머신-러닝 기반 모델은 복수의 제1 결함 유형 각각과 관련된 영역을 나타내는 5 개의 이미지를 생성할 수 있다. 이와 같이, 머신-러닝 기반 모델에 의해 생성되는 복수의 이미지의 각각이 나타내는 영역은 복수의 제1 결함 유형 중 서로 다른 결함 유형과 관련된 영역일 수 있다. 예를 들어, 복수의 이미지 중 A 이미지가 나타내는 영역은 복수의 제1 결함 유형 중 A 결함 유형과 관련된 영역이고, B 이미지가 나타내는 영역은 B 결함 유형과 관련된 영역일 수 있다. 머신-러닝 기반 모델에서 생성되는 복수의 이미지는 스크린 프린터(101)의 결함과 관련된 기판 상의 위치를 결정하기 위해 이용될 수 있다.
일 실시예에서, 머신-러닝 기반 모델은, CNN(Convolution Neural Network) 및 FFNN(Feed Forward Neural Network)를 포함할 수 있다. 또한, 머신-러닝 기반 모델은 기판 검사 장치(100)와 유선 또는 무선으로 연동된 전자 장치(예: 외부 서버 등)의 메모리에 저장될 수도 있다. 이 경우, 기판 검사 장치(100)는 유선 또는 무선으로 연동된 전자 장치와 이상이 감지된 적어도 하나의 솔더 페이스트와 관련한 결함 유형 및 스크린 프린터(101)의 결함과 관련된 기판 상의 위치를 결정하기 위한 정보를 송수신할 수 있다.
일 실시예에서, 스크린 프린터(101)의 복수의 제1 결함 유형은 스크린 프린터(101)에서 발생 가능한 다양한 결함 유형들 중, 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 결함 유형일 수 있다. 예를 들어, 스크린 프린터(101)의 복수의 제1 결함 유형은 스크린 프린터(101)의 스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함(예: 스퀴드 블레이드를 고정하기 위한 나사 고정의 결함 등), 스크린 프린터(101)의 지지대 결함, 스크린 프린터(101)의 테이블 결함, 지지대로 그리드 락을 사용하는 경우, 그리드 락 설정 불량에 따른 결함, 스크린 프린터(101)에서 공급하는 솔더 페이스트의 상태, 예를 들어, 솔더 페이스트의 방치, 솔더 페이스트의 반죽 불량으로 인한 결함, 스크린 프린터(101)에서 공급하는 솔더 페이스트의 부족에 의한 결함 및 스텐실 접촉 불량으로 인한 결함, 스크린 프린터(101)의 스텐실의 흠집에 의한 결함, 스크린 프린터(101)에 공급되는 기판의 휘어짐에 의한 결함 중 적어도 하나를 포함할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 스크린 프린터(101)의 다양한 결함 유형이 스크린 프린터(101)의 복수의 제1 결함 유형에 포함될 수 있다.
일 실시예에서, 프로세서(130)는 운영체제 또는 응용 프로그램을 구동하여, 기판 검사 장치(100)의 적어도 하나의 구성 요소를 제어할 수 있고, 각종 데이터 처리 및 연산 등을 수행할 수 있다. 예를 들어, 프로세서(130)는 중앙처리장치 등을 포함할 수 있고, SoC(System on Chip)으로 구현될 수도 있다.
일 실시예에서, 디스플레이(140)는 예를 들면, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이 등을 포함할 수 있다. 디스플레이(340)는, 예를 들면, 사용자에게 각종 콘텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)을 표시할 수 있다. 디스플레이(340)는, 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력 등을 수신할 수 있다.
일 실시예에서, 프로세서(130)는 이미지 센서(110)를 통해 제1 기판에 대한 이미지를 획득할 수 있다. 프로세서(130)는 제1 기판에 대한 이미지에 기초하여, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트에 이상이 발생하였는지 여부를 감지할 수 있다. 프로세서(130)가 복수의 제1 솔더 페이스트에 이상이 발생하였는지 여부를 감지하는 구체적인 방법은 후술하도록 한다.
프로세서(130)는 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 제1 기판에 대한 이미지를 이용하여, 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성할 수 있다. 프로세서(130)에 의해 생성되는 적어도 하나의 이미지는 머신-러닝 기반 모델의 학습에 이용된 이미지와 동일한 형식의 이미지일 수 있다. 즉, 머신-러닝 기반 모델 역시 이상이 감지된 솔더 페이스트와 이상이 감지되지 않은 솔더 페이스트가 구분되는 이미지를 통해 학습될 수 있다. 머신-러닝 기반 모델이 이미지를 통해 학습되는 구체적인 과정에 대해서는 후술하도록 한다.
일 실시예에서, 프로세서(130)에 의해 생성되는 적어도 하나의 이미지에서는 이상이 감지된 복수의 제2 솔더 페이스트와 복수의 제1 솔더 페이스트 중 이상이 감지되지 않은 복수의 제3 솔더 페이스트가 구분될 수 있다. 예를 들어, 적어도 하나의 이미지에서는 복수의 제2 솔더 페이스트만와 복수의 제3 솔더 페이스트가 서로 다른 색으로 표시되거나, 복수의 제2 솔더 페이스트만이 표시되고, 복수의 제3 솔더 페이스트는 표시되지 않을 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 적어도 하나의 이미지를 생성하는 과정에서 복수의 제2 솔더 페이스트와 복수의 제3 솔더 페이스트를 구분하기 위한 다양한 방법이 이용될 수 있다.
또한, 적어도 하나의 이미지에서, 복수의 제2 솔더 페이스트는 과납 이상이 발생한 복수의 제4 솔더 페이스트와 소납 이상이 발생한 복수의 제5 솔더 페이스트로 구분되어 표시될 수 있다. 예를 들어, 복수의 제4 솔더 페이스트와 복수의 제5 솔더 페이스트는 하나의 이미지에서 구분되게 표시될 수도 있고, 복수의 제4 솔더 페이스트만이 표시되는 이미지와 복수의 제5 솔더 페이스트만이 표시되는 이미지가 각각 생성될 수도 있다.
일 실시예에서, 프로세서(130)는 생성된 적어도 하나의 이미지를 머신-러닝 기반 모델에 적용할 수 있다. 머신-러닝 기반 모델은 적어도 하나의 이미지를 이용하여, 복수의 제1 결함 유형의 각각과 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값을 도출하고, 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 생성할 수 있다. 프로세서(130)는 머신-러닝 기반 모델로부터 복수의 제1 값 및 복수의 제1 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 복수의 제1 값에 기초하여, 복수의 제1 결함 유형 중 이상이 감지된 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정할 수 있다. 예를 들어, 프로세서(130)는 복수의 제1 값을 복수의 제1 결함 유형 각각에 대해 미리 설정된 임계값과 비교함으로써, 복수의 제2 결함 유형을 결정할 수 있다. 또 다른 예로, 프로세서(130)는 머신-러닝 기반 모델로부터 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득하고, 획득된 임계값 정보를 통해 확인되는 복수의 제1 유형의 각각의 임계값과 복수의 제1 값을 비교함으로써, 복수의 제2 결함 유형을 결정할 수 있다. 복수의 제2 결함 유형을 결정하는 구체적인 방법에 대해서는 후술하도록 한다.
일 실시예에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 복수의 제1 이미지 중 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지를 결정할 수 있다. 위에서 설명한 바와 같이, 머신-러닝 기반 모델에 의해 생성되는 복수의 제1 이미지는 복수의 제1 경함 유형 각각과 관련된 영역을 나타내므로, 프로세서(130)는 복수의 제1 이미지 중, 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지를 결정할 수 있다. 프로세서(130)는 복수의 제2 이미지에 기초하여, 이상이 감지된 복수의 제2 솔더 페이스트 중, 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 솔더 페이스트를 결정할 수 있다. 예를 들어, 복수의 제2 결함 유형이 A 결함 유형 및 B 결함 유형인 경우, 프로세서(130)는 복수의 제2 솔더 페이스트 중 A 결함 유형과 관련된 적어도 하나의 솔더 페이스트 및 B 결함 유형과 관련된 적어도 하나의 솔더 페이스트를 결정할 수 있다.
프로세서(130)는 복수의 제2 결함 유형에 대한 정보 및 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트에 대한 위치 정보를 디스플레이(140)를 통해 표시할 수 있다. 이를 통해, 사용자는 복수의 제2 솔더 페이스트의 이상이 스크린 프린터의 어떠한 결함 유형에 기초하여 발생한 것인지를 확인할 수 있고, 복수의 제2 솔더 페이스트 각각이 스크린 프린터의 어떠한 결함 유형과 관련된 것인지도 쉽게 확인할 수 있다.
일 실시예에서, 프로세서(130)는 이상이 감지된 복수의 제2 솔더 페이스트와 관련된 스크린 프린터(101)의 결함 유형을 결정한 후, 프로세서(130)에 의해 생성된 적어도 하나의 이미지를 통해 머신-러닝 기반 모델을 학습시킬 수 있다. 이와 같이, 프로세서(130)는 기판에 대한 검사가 수행될 때마다 머신-러닝 기반 모델을 학습시킴으로써, 이상이 감지된 솔더 페이스트와 관련된 스크린 프린터(101)의 결함 유형을 보다 정확하게 결정할 수 있다.
일 실시예에서, 기판 검사 장치(100)는 메모리(120) 및 프로세서(130)만을 포함할 수도 있고, 이 경우, 기판 검사 장치(100)는 결함 유형 결정 등을 위해 제1 기판에 대한 이미지를 외부 전자 장치로부터 수신할 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 이상이 감지된 솔더 페이스트와 관련된 스크린 프린터의 결함 유형 및 스크린 프린터의 결함과 관련된 기판 상의 위치를 결정하는 방법의 흐름도이다.
210 단계에서, 기판 검사 장치(100)의 프로세서(130)는 제1 기판에 대한 이미지에 기초하여, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 제1 기판에 대한 이미지를 이용하여, 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성할 수 있다. 예를 들어, 프로세서(130)는 이미지 센서(110)를 통해 제1 기판에 대한 이미지를 획득하고, 획득된 이미지를 이용하여, 복수의 제1 솔더 페이스트에 대한 측정 정보를 더 획득할 수 있다. 프로세서(130)는 획득된 측정 정보를 이용하여, 복수의 제1 솔더 페이스트 각각에 대한 이상 발생 여부를 검사할 수 있다.
프로세서(130)는 제1 기판에 대한 이미지에 기초하여, 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성할 수 있다. 프로세서(130)에 의해 생성되는 적어도 하나의 이미지는 제1 기판에 인쇄된 복수의 제1 솔더 페이스트가 구분 없이 표시되는 제1 기판의 이미지와는 구분되는 이미지로서, 이상이 감지된 복수의 제2 솔더 페이스트와 복수의 제1 솔더 페이스트 중 이상이 감지되지 않은 복수의 제3 솔더 페이스트가 구분되는 이미지일 수 있다. 또한, 적어도 하나의 이미지는 머신-러닝 기반 모델 학습에 이용된 이미지와 동일한 형식의 이미지일 수 있다. 즉, 머신-러닝 기반 모델 역시 이상이 감지된 솔더 페이스트와 이상이 감지되지 않은 솔더 페이스트가 구분되는 이미지를 통해 학습될 수 있다.
220 단계에서, 프로세서(130)는 메모리(120)에 저장된 머신-러닝 기반 모델에 210 단계에서 생성된 적어도 하나의 이미지를 머신-러닝 기반 모델에 적용할 수 있다. 머신-러닝 기반 모델은 적어도 하나의 이미지를 이용하여, 복수의 제1 결함 유형의 각각과 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값을 도출하고, 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 생성할 수 있다.
230 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 복수의 제1 결함 유형의 각각과 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득할 수 있다. 예를 들어, 복수의 제1 값 및 복수의 제1 이미지의 수는 복수의 제1 유형의 수와 동일할 수 있다. 또한, 머신-러닝 기반 모델에 의해 생성되는 복수의 제1 이미지 각각이 나타내는 영역은 복수의 제1 결함 유형 중 서로 다른 결함 유형과 관련된 영역일 수 있다.
240 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 복수의 제1 값에 기초하여, 복수의 제1 결함 유형 중 이상이 감지된 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정할 수 있다. 예를 들어, 프로세서(130)는 복수의 제1 결함 유형 각각에 대해 미리 설정된 임계값 또는 머신-러닝 기반 모델로부터 획득된 임계값 정보를 통해 확인되는 복수의 제1 결함 유형 각각의 임계값과 복수의 제1 값을 비교함으로써, 복수의 제2 결함 유형을 결정할 수 있다.
250 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 복수의 제1 이미지 중 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 복수의 제2 솔더 페이스트 중 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 솔더 페이스트를 결정할 수 있다. 예를 들어, 프로세서(130)는 복수의 제1 이미지 중 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지를 결정하고, 복수의 제2 이미지에서 나타내고 있는 영역에 기초하여, 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 솔더 페이스트를 결정할 수 있다.
260 단계에서, 프로세서(130)는 복수의 제2 결함 유형에 대한 정보 및 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트에 대한 위치 정보를 디스플레이(140)를 통해 표시할 수 있다. 이를 통해, 사용자는 복수의 제2 솔더 페이스트의 이상이 스크린 프린터의 어떠한 결함 유형에 기초하여 발생한 것인지를 확인할 수 있고, 복수의 제2 솔더 페이스트 각각이 스크린 프린터의 어떠한 결함 유형과 관련된 것인지도 쉽게 확인할 수 있다.
도 3은 본 개시의 다양한 실시예에 따른 기판에 인쇄된 복수의 솔더 페이스트의 이상을 감지하는 방법의 흐름도이다.
310 단계에서, 기판 검사 장치(100)의 프로세서(130)는 이미지 센서(110)를 통해 획득되는 제1 기판에 대한 이미지를 이용하여, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트에 대한 제1 측정 정보를 획득할 수 있다. 예를 들어, 프로세서(130)는 이미지를 통해 복수의 솔더 페이스트 각각에 대한 부피, 면적, 높이, 형상 또는 위치 중 적어도 하나에 대한 정보를 측정하고, 측정된 정보를 통해 제1 측정 정보를 생성할 수 있다.
320 단계에서, 프로세서(130)는 제2 측정 정보를 메모리(120)에서 검색할 수 있다. 또 다른 예로, 프로세서(130)는 제2 측정 정보를 외부 서버로부터 수신할 수 있다. 제2 측정 정보는 제1 기판에 앞서 기판 검사 장치(100)에 의해 검사가 수행된 복수의 제2 기판 각각에 인쇄된 복수의 솔더 페이스트들에 대한 측정 정보일 수 있다. 예를 들어, 프로세서(130)는 복수의 제2 기판 각각에 대한 검사 과정에서, 복수의 제2 기판 각각에 대한 이미지를 통해 복수의 제2 기판 각각에 인쇄된 복수의 솔더 페이스트들에 대한 부피, 면적, 높이, 형상 또는 위치 중 적어도 하나에 대한 정보를 측정하고, 측정된 정보를 통해 제2 측정 정보를 생성할 수 있다. 프로세서(130)는 생성된 제2 측정 정보를 메모리(120)에 저장하거나 외부 서버에 저장할 수 있다. 또한, 프로세서(130)는 제1 기판에 대한 검사가 수행된 후, 제1 측정 정보를 제2 측정 정보에 부가하여, 제2 측정 정보를 갱신할 수 있다.
330 단계에서, 프로세서(130)는 제1 측정 정보와 제2 측정 정보를 이용하여, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트에 대한 이상 여부를 감지할 수 있다. 예를 들어, 프로세서(130)는 제1 측정 정보와 제2 측정 정보를 비교하여 제1 측정 정보와 제2 측정 정보의 차이를 판단하고, 판단된 차이에서 설정된 범위를 벗어나는 부분이 있는 경우, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트들 중 미리 설정된 범위를 벗어나는 부분에 대응하는 복수의 제2 솔더 페이스트에 대해 이상이 있는 것으로 감지할 수 있다. 또한, 프로세서(130)는 제1 측정 정보와 제2 측정 정보의 차이를 판단하고, 판단된 차이가 미리 설정된 범위를 벗어나지 않는 경우, 제1 기판에 인쇄된 복수의 제1 솔더 페이스트들에 이상이 없는 것으로 감지할 수 있다.
또한, 프로세서(130)는 위에서 설명한 방법 이외에, 복수의 제1 솔더 페이스트에 대한 측정 정보를 복수의 제1 솔더 페이스트 각각에 대한 이상 여부를 감지하기 위해 설정된 기준값과 비교하고, 비교 결과에 따라 복수의 제1 솔더 페이스트에 대한 이상 발생 여부를 검사할 수 있다. 예를 들어, 복수의 제1 솔더 페이스트 중 기준 값을 초과한 측정 정보를 가지는 솔더 페이스트는 이상이 있는 것으로 감지하고, 기준 값 이하인 측정 정보를 가지는 솔더 페이스트는 이상이 없는 것으로 감지할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 프로세서(130)는 복수의 제1 솔더 페이스트에 대한 측정 정보를 이용하여 복수의 제1 솔더 페이스트의 특성을 고려한 다양한 방식으로 복수의 제1 솔더 페이스트에 대한 이상 발생 여부를 검사할 수 있다.
도 4a 및 도 4b는 본 개시의 다양한 실시예에 따른 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 이미지를 도시한다.
일 실시예에서, 기판 검사 장치(100)의 프로세서(130)는 제1 기판에 대한 이미지(410)를 이용하여, 이상이 감지된 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지(420, 430, 440)를 생성할 수 있다. 프로세서(230)는 생성된 적어도 하나의 이미지(420, 430, 440)을 머신-러닝 기반 모델에 적용하고, 머신-러닝 기반 모델은 적어도 하나의 이미지(420, 430, 440)을 이용하여, 복수의 제1 결함 유형의 각각과 적어도 하나의 이미지(420, 430, 440)와의 관련성을 나타내는 복수의 제1 값 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 생성할 수 있다.
또한, 적어도 하나의 이미지(420, 430, 440)는 머신-러닝 기반 모델 학습에 이용된 이미지와 동일한 형식의 이미지일 수 있다. 즉, 머신-러닝 기반 모델 역시 이상이 감지된 솔더 페이스트와 이상이 감지되지 않은 솔더 페이스트가 구분되는 이미지를 통해 학습될 수 있다.
프로세서(130)에 의해 생성되는 적어도 하나의 이미지(420, 430, 440)에서는 이상이 감지된 복수의 제2 솔더 페이스트와 복수의 제1 솔더 페이스트 중 이상이 감지되지 않은 복수의 제3 솔더 페이스트가 구분될 수 있다. 도 4a 및 도 4b를 참조하면, 적어도 하나의 이미지(420, 430, 440)에서와 같이, 복수의 제2 솔더 페이스트만이 표시되고, 복수의 제3 솔더 페이스트는 표시되지 않을 수 있다. 즉, 프로세서(130)는 복수의 제2 솔더 페이스트는 흰색으로 표시하고, 복수의 제3 솔더 페이스트는 검은색으로 표시되도록 적어도 하나의 이미지(420, 430, 440)를 생성할 수 있다. 또한, 프로세서(130)는 복수의 제2 솔더 페이스트에 대응하는 픽셀 값은 1으로 설정하고, 복수의 제3 솔더 페이스트에 대한 픽셀 값은 0으로 설정함으로써, 적어도 하나의 이미지(420, 430, 440)를 생성할 수도 있다. 픽셀 값에 대응하는 색은 다양하게 설정될 수 있다. 이와 같이, 적어도 하나의 이미지(420, 430, 440)를 생성함으로써, 복수의 제2 솔더 페이스트와 복수의 제3 솔더 페이스트가 명확히 구분될 수 있다.
일 실시예에서, 도 4a에서와 같이, 프로세서(130)는 이상이 감지된 복수의 제2 솔더 페이스트 전체를 나타내는 하나의 이미지(420)를 생성할 수도 있고, 도 4b에서와 같이, 프로세서(130)는 과납 이상이 발생한 복수의 제4 솔더 페이스트만을 나타내는 이미지(430) 및 소납 이상이 발생한 복수의 제5 솔더 페이스트만을 표시하는 이미지(440)를 생성할 수도 있다. 프로세서(130)는 머신-러닝 기반 모델이 학습된 이미지와 동일한 형식이 되도록 적어도 하나의 이미지(420, 430, 440)를 생성할 수 있다.
또한, 프로세서(130)는 상술한 이미지들 와는 다른 적어도 하나의 이미지를 통해 머신-러닝 기반 모델이 학습된 경우, 상술한 이미지들 와는 다른 적어도 하나의 이미지를 생성할 수도 있다.
도 5는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 도면이다.
일 실시예에서, 기판 검사 장치(100)의 프로세서(130)는 메모리(120)에 저장된 머신-러닝 기반 모델을 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 복수의 이미지들을 통해 학습시킬 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 머신-러닝 기반 모델은 프로세서(130) 외에 기판 검사 장치(100)에 포함된 다른 프로세서 또는 다른 외부 전자 장치의 프로세서를 통해서도 학습될 수 있다.
도 5를 참조하면, 머신-러닝 기반 모델(510)은 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 복수의 이미지(520)을 통해 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(510)의 학습에 이용되는 이미지는 도 4a 및 도 4b에서 설명한 이미지일 수 있다. 이하에서는 설명의 편의를 위해, 머신-러닝 기반 모델(510)의 학습에 이용된 복수의 이미지(520)는 이상이 감지된 솔더 페이스트 전체를 나타내는 이미지(예: 도 4a의 이미지(420))인 것을 중심으로 설명하나, 이에 제한되는 것은 아니다.
머신-러닝 기반 모델(510)의 학습에 이용되는 복수의 이미지(520) 각각은 복수의 제1 결함 유형에 따라 분류될 수 있다. 다만, 복수의 이미지(520) 각각은 반드시 하나의 제1 결함 유형으로 분류될 필요는 없고, 복수의 제1 결함 유형으로 분류될 수 있다. 예를 들어, 복수의 이미지(520) 중 하나의 A 이미지는 A 결함 유형 및 B 결함 유형 각각과 관련 있을 수 있고 이 경우, A 이미지는 A 결함 유형 및 B 결함 유형과 관련된 것으로 분류될 수 있다.
머신-러닝 기반 모델(510)은 복수의 제1 결함 유형에 따라 분류된 복수의 이미지(520)가 입력되면, 입력된 복수의 이미지(520)를 통해 복수의 제1 결함 유형의 각각과 복수의 이미지(520)와의 관련성을 나타내는 복수의 값(530)을 도출하고, 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지(540)를 생성하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(510)은 복수의 이미지(520)가 입력되면, 복수의 이미지(520)를 통해 복수의 솔더 페이스트에 대한 정보(예: 위치, 형상, 부피 등)를 확인할 수 있다. 머신-러닝 기반 모델(510)은 복수의 이미지(520)를 통해 확인된 정보에 기초하여, 머신-러닝 기반 모델(510)에서 복수의 이미지(520)와 복수의 제1 결함 유형의 각각과의 관련성을 나타내는 복수의 값(530)을 도출하기 위한 파라미터를 조정할 수 있다. 또한, 머신-러닝 기반 모델(510)은 확인된 정보에 기초하여, 머신-러닝 기반 모델(510)에서 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지(540)를 생성하기 위한 파라미터를 조정할 수 있다.
이와 같은 과정을 통해, 머신-러닝 기반 모델(510)은 복수의 제1 결함 유형의 각각과 복수의 이미지(520)와의 관련성을 나타내는 복수의 값(530)을 도출하고, 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지(540)를 생성하도록 학습될 수 있다.
또한, 머신-러닝 기반 모델(510)은 입력된 복수의 이미지(520)를 통해, 복수의 제1 결함 유형 각각에 설정된 임계 값을 나타내는 임계 정보(550)를 도출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 복수의 제1 결함 유형의 각각과 복수의 이미지(520)와의 관련성을 나타내는 복수의 값을 통해 복수의 제1 결함 유형 각각에 설정된 임계값을 조정할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 A 결함 유형과 이미지와의 관련성을 나타내는 값이 A 결함 유형에 대해 설정된 임계값 이상인 경우, A 결함 유형이 이상이 감지된 솔더 페이스트와 연관이 있다고 결정되고, A 결함 유형과 이미지와의 관련성을 나타내는 값이 A 결함 유형에 대해 설정된 임계값 미만인 경우, A 결함 유형이 이상이 감지된 솔더 페이스트와 연관이 없다고 결정되도록 임계값을 조정할 수 있다.
예를 들어, 머신-러닝 기반 모델(510)은 A 결함 유형으로 분류된 이미지가 입력되고, 입력된 이미지와 A 결함 유형 및 B 결함 유형과의 관련성을 나타내는 값이 0.7 및 0.5로 산출하고, 이 때에, A 결함 유형에 설정된 임계값은 0.8이고, B 유형에 설정된 임계값은 0.4일 수 있다. 이 경우, 머신-러닝 기반 모델(510)은 A 결함 유형에 대하여, 입력된 이미지와 A 결함 유형과의 관련성을 나타내는 값인 0.7이 A 결함 유형에 대해 설정된 임계값인 0.8 보다 작으므로, A 결함 유형에 대한 임계값이 잘못 설정된 것으로 판단하고, A 결함 유형에 대한 임계값이 0.7 이하가 되도록 조정할 수 있다. 또한, 머신-러닝 기반 모델(510)은 B 결함 유형에 대하여, 입력된 이미지와 B 결함 유형과의 관련성을 나타내는 값인 0.5가 B 결함 유형에 대해 설정된 임계값인 0.4 보다 크므로, B 결함 유형에 대한 임계값이 잘못 설정된 것으로 판단하고, B 결함 유형에 대한 임계값이 0.5를 초과하도록 조정할 수 있다.
이와 같은 과정을 통해, 머신-러닝 기반 모델(510)은 복수의 제1 결함 유형 각각에 설정된 임계 값을 나타내는 임계 정보(550)를 도출하도록 학습될 수 있다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델에서 생성되는 복수의 이미지를 도시한다.
일 실시예에서, 머신-러닝 기반 모델은 스크린 프린터의 복수의 제1 결함 유형의 수와 동일한 수의 복수의 이미지를 생성할 수 있다. 도 6을 참조하면, 복수의 제1 결함 유형이 5개인 경우, 머신-러닝 기반 모델은 5 개의 이미지를 생성할 수 있다. 머신-러닝 기반 모델에서 생성되는 5 개의 이미지 각각은 복수의 제1 결함 유형 각각에 대응할 수 있다. 예를 들어, 제1 이미지(610)는 A 결함 유형에 대응하고, 제2 이미지(620)는 B 결함 유형에 대응하고, 제3 이미지(630)는 C 결함 유형에 대응하고, 제4 이미지(640)는 D 결함 유형에 대응하고, 제5 이미지(650)는 E 결함 유형에 대응할 수 있다.
제1 이미지(610) 내지 제5 이미지(650) 각각은 대응하는 결함 유형과 관련된 영역을 나타낼 수 있다. 예를 들어, 제1 이미지(610)는 A 결함 유형과 관련된 영역을 나타내고, 제2 이미지(620)는 B 결함 유형과 관련된 영역을 나타내고, 제3 이미지(630)는 C 결함 유형과 관련된 영역을 나타내고, 제4 이미지(640)는 D 결함 유형과 관련된 영역을 나타내고, 제5 이미지(650)는 E 결함 유형과 관련된 영역을 나타낼 수 있다. 여기에서, 결함 유형과 관련된 영역은, 결함 유형에 따른 스크린 프린터의 결함으로 인해 이상이 발생한 기판 상의 영역을 나타낼 수 있다. 다시 말해서, 제1 이미지(610)에서 흰색으로 표시된 부분은 스크린 프린터에 A 결함 유형에 따른 결함으로 인해 이상이 발생한 기판 상의 영역을 나타낼 수 있다. 이와 마찬가지로, 제2 이미지(620)에서 흰색으로 표시된 부분은 스크린 프린터에 B 결함 유형에 따른 결함으로 인해 이상이 발생한 기판 상의 영역을 나타낼 수 있다. 또한, 스크린 프린터에 C 결함 유형 내지 E 결함 유형에 따른 결함이 발생하지 않은 경우, 이러한 결함으로 인해 기판 상에 이상이 발생하지 않았으므로, 제3 이미지(630) 내지 제5 이미지(650)와 같이 이미지가 모두 검은색으로 표시될 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며 결함으로 인해 이상이 발생한 영역은 흰색이 아닌 다른 색상으로 이미지에서 표시될 수 있고, 이상이 발생하지 않은 영역 역시 검은색이 아닌 다른 색상으로 이미지상에서 표시될 수 있다.
도 7은 본 개시의 다양한 실시예에 따른 이상이 감지된 복수의 제2 솔더 페이스트와 연관된 복수의 제2 결함 유형을 결정하는 방법의 흐름도이다.
710 단계에서, 기판 검사 장치(100)의 프로세서(130)는 머신 러닝 기반-모델로부터 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득할 수 있다. 도 5에서 설명한 바와 같이, 머신-러닝 기반 모델은 제1 결함 유형의 각각과 복수의 이미지와의 관련성을 나타내는 복수의 값을 통해 복수의 제1 결함 유형 각각에 설정된 임계값을 조정함으로써, 임계값 정보를 학습할 수 있다. 프로세서(130)는 머신-러닝 기반 모델에서 학습된 임계값 정보를 획득할 수 있다.
720 단계에서, 프로세서(130)는 머신-러닝 기반 모델로부터 획득한 임계값 정보를 통해 확인되는 복수의 제1 유형의 각각의 임계값과 머신-러닝 기반 모델로부터 획득된 복수의 제1 값을 비교함으로써, 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정할 수 있다. 예를 들어, 프로세서(130)는 복수의 제1 값 중 임계값 이상인 복수의 제2 값을 확인하고, 복수의 제2 값에 대응하는 복수의 결함 유형을 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형으로 결정할 수 있다.
예를 들어, 복수의 제1 값은 A 결함 유형에 대응하는 값인 a1, B 결함 유형에 대응하는 a2, C 결함 유형에 대응하는 a3, D 결함 유형에 대응하는 a4 및 E 결함 유형에 대응하는 a5 를 포함할 수 있다. 프로세서(130)는 a1을 A 결함 유형에 대해 설정된 임계값인 t1과 비교하고, a2를 B 결함 유형에 대응하는 t2와 비교하고, a3를 C 결함 유형에 대응하는 t3와 비교하고, a4를 D 결함 유형에 대응하는 t4와 비교하고, a5를 E 결함 유형에 대응하는 t5와 비교할 수 있다. 프로세서(130)는 비교 결과, 임계값 이상인 복수의 제2 값이 a1 및 a4로 결정되면, 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 A 결함 유형 및 D 결함 유형으로 결정할 수 있다.
또한, 프로세서(130)는 머신-러닝 기반 모델로부터 획득된 임계값 정보를 이용하지 않고, 복수의 제1 결함 유형 각각에 대해 미리 설정된 임계값을 이용하여 복수의 제2 결함 유형을 결정할 수도 있다. 이 경우, 복수의 제1 결함 유형 각각에 대해 미리 설정된 임계값은 머신-러닝 기반 모델로부터 획득된 임계값 정보에 기초하여 조정될 수 있다.
도 8은 본 개시의 다양한 실시예에 따른 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트를 결정하는 방법의 흐름도이다.
810 단계에서, 기판 검사 장치(100)의 프로세서(130)는 머신-러닝 기반 모델로부터 획득한 복수의 제1 이미지 중 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 복수의 제2 결함 유형과 관련된 영역을 확인할 수 있다. 도 9를 참조하면, 복수의 제1 이미지(910, 920) 각각은 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역(911, 921), 즉, 복수의 제1 결함 유형 중 하나의 결함 유형에 따른 스크린 프린터의 결함으로 인해 이상이 발생한 기판 상의 영역을 나타낼 수 있다. 복수의 제1 이미지(930, 940, 950) 각각은 복수의 제1 결함 유형 중 어느 하나의 결함 유형과도 관련된 영역이 없을 경우 머신-러닝 기반 모델에 의해 생성되는 이미지일 수 있다.
프로세서(130)는 이상이 감지된 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형에 대응하는 복수의 제2 이미지(910, 920)를 결정하고, 복수의 제2 이미지(910, 920)가 나타내는 영역(911, 921)을 확인할 수 있다. 여기에서, 복수의 제2 이미지(910, 920)가 나타나내는 영역(911, 912)은 복수의 제2 결함 유형과 관련된 영역, 즉, 복수의 제2 결함 유형에 따른 스크린 프린터의 결함으로 인해 이상이 발생한 기판 상의 영역을 나타낼 수 있다.
820 단계에서, 프로세서(130)는 810 단계에서 확인된 복수의 제2 결함 유형과 관련된 영역과 제1 기판에 대한 이미지를 통해 확인되는 복수의 제2 솔더 페이스트의 각각의 위치에 기초하여, 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트를 결정할 수 있다. 예를 들어, 프로세서(130)는 복수의 제2 솔더 페이스트 각각의 위치에 기초하여, 복수의 제2 결함과 관련된 영역에 포함된 적어도 하나의 솔더 페이스트(912, 922)를 결정할 수 있다. 예를 들어, 도 9를 참조하면, 프로세서(130)는 복수의 제2 솔더 페이스트 중 제1 이미지(910)에서 나타나는 영역(911)에 포함된 적어도 하나의 솔더 페이스트(912) 및 제2 이미지(920)에서 나타나는 영역(921)에 포함된 적어도 하나의 솔더 페이스트(922)를 각각 확인할 수 있다. 프로세서(130)는 제1 이미지(910)에서 나타나는 영역(911)에 포함된 적어도 하나의 솔더 페이스트(912)를 A 결함 유형과 관련된 적어도 하나의 솔더 페이스트로 결정하고, 제2 이미지(920)에서 나타나는 영역(921)에 포함된 적어도 하나의 솔더 페이스트(922)를 B 결함 유형과 관련된 적어도 하나의 솔더 페이스트로 결정할 수 있다.
이와 같이, 이상이 감지된 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 솔더 페이스트를 결정함으로써, 결정된 적어도 하나의 솔더 페이스트의 위치를 통해 스크린 프린터의 결함과 관련된 기판 상의 위치가 신속히 파악될 수 있다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 개시의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.

Claims (20)

  1. 기판을 검사하는 장치에 있어서,
    스크린 프린터의 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지를 입력하여, 상기 스크린 프린터의 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값, 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 출력하도록 학습된 머신-러닝 기반 모델을 저장하는 메모리 - 상기 스크린 프린터의 복수의 제1 결함 유형은 상기 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 결함 유형임 -; 및
    상기 메모리와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    제1 기판에 대한 이미지에 기초하여, 상기 제1 기판에 인쇄된 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 상기 제1 기판에 대한 이미지를 이용하여, 상기 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성하고,
    상기 생성된 적어도 하나의 이미지를 상기 머신-러닝 기반 모델에 입력하고,
    상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각과 상기 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득하고,
    상기 획득된 복수의 제1 값에 기초하여, 상기 복수의 제1 결함 유형 중 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하고,
    상기 복수의 제1 이미지 중 상기 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 상기 복수의 제2 솔더 페이스트 중 상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는, 기판 검사 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 기판에 대한 이미지를 통해 획득되는 복수의 제1 솔더 페이스트에 대한 측정 정보를 이용하여, 상기 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상을 감지하는, 기판 검사 장치.
  3. 제2항에 있어서,
    상기 측정 정보는,
    솔더 페이스트에 대한 부피, 면적, 높이 형상 또는 위치 중 적어도 하나를 포함하는, 기판 검사 장치.
  4. 제1항에 있어서,
    상기 스크린 프린터의 복수의 제1 결함 유형은,
    스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 지지대 결함, 테이블 결함, 그리드 락 설정 불량에 따른 결함, 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함, 솔더 페이스트의 부족에 의한 결함, 스텐실 접촉 불량으로 인한 결함, 스텐실의 흠집에 의한 결함 및 기판의 휘어짐에 의한 결함 중 적어도 하나를 포함하는 기판 검사 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득하고,
    상기 임계값 정보를 통해 확인되는 상기 복수의 제1 결함 유형의 각각의 임계값과 상기 획득된 복수의 제1 값을 비교함으로써, 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는, 기판 검사 장치.
  7. 제6항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 통해 상기 복수의 제1 결함 유형 각각에 설정된 임계값을 조정함으로써, 상기 임계값 정보를 학습하는, 기판 검사 장치.
  8. 제1항에 있어서,
    상기 머신-러닝 기반 모델에 의해 생성되는 복수의 이미지의 각각이 나타내는 영역은 서로 다른 결함 유형과 관련된 영역인, 기판 검사 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 제2 이미지에 기초하여, 복수의 제2 결함 유형과 관련된 영역을 확인하고,
    상기 복수의 제2 결함 유형과 관련된 영역과 상기 제1 기판에 대한 이미지를 통해 확인되는 상기 복수의 제2 솔더 페이스트의 각각의 위치에 기초하여, 상기 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는, 기판 검사 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 제2 결함 유형을 결정한 후, 상기 생성된 적어도 하나의 이미지를 통해 상기 머신-러닝 기반 모델을 학습시키는, 기판 검사 장치.
  11. 기판 검사 장치에서 스크린 프린터의 결함 유형을 결정하는 방법에 있어서,
    제1 기판에 대한 이미지에 기초하여, 상기 제1 기판에 인쇄된 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상이 감지되면, 상기 제1 기판에 대한 이미지를 이용하여, 상기 복수의 제2 솔더 페이스트를 나타내는 적어도 하나의 이미지를 생성하는 단계;
    상기 생성된 적어도 하나의 이미지를 머신-러닝 기반 모델에 입력하는 단계;
    상기 머신-러닝 기반 모델로부터, 상기 스크린 프린터의 복수의 제1 결함 유형의 각각과 상기 적어도 하나의 이미지와의 관련성을 나타내는 복수의 제1 값 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 제1 이미지를 획득하는 단계;
    상기 획득된 복수의 제1 값에 기초하여, 상기 복수의 제1 결함 유형 중 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계; 및
    상기 복수의 제1 이미지 중 상기 복수의 제2 결함 유형에 대응되는 복수의 제2 이미지에 기초하여, 상기 복수의 제2 솔더 페이스트 중 상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계
    를 포함하고,
    상기 머신-러닝 기반 모델은,
    상기 스크린 프린터의 복수의 제1 결함 유형에 따라 분류된 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지를 입력하여, 상기 스크린 프린터의 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값, 및 상기 복수의 제1 결함 유형 중 하나의 결함 유형과 관련된 영역을 나타내는 복수의 이미지를 출력하도록 학습되고,
    상기 스크린 프린터의 복수의 제1 결함 유형은 기판에 인쇄된 솔더 페이스트의 이상을 초래할 수 있는 결함 유형인, 결함 유형 결정 방법.
  12. 제11항에 있어서,
    상기 제1 기판에 대한 이미지를 통해 획득되는 복수의 제1 솔더 페이스트에 대한 측정 정보를 이용하여, 상기 복수의 제1 솔더 페이스트 중 복수의 제2 솔더 페이스트의 이상을 감지하는 단계
    를 더 포함하는 결함 유형 결정 방법.
  13. 제12항에 있어서,
    상기 측정 정보는,
    솔더 페이스트에 대한 부피, 면적, 높이 형상 또는 위치 중 적어도 하나를 포함하는, 결함 유형 결정 방법.
  14. 제11항에 있어서,
    상기 스크린 프린터의 복수의 제1 결함 유형은,
    스퀴즈 블레이드 결함, 스퀴즈 블레이드 고정 결함, 지지대 결함, 테이블 결함, 그리드 락 설정 불량에 따른 결함, 솔더 페이스트의 방치와 솔더 페이스트의 반죽 불량으로 인한 결함, 솔더 페이스트의 부족에 의한 결함, 스텐실 접촉 불량으로 인한 결함, 스텐실 흠집에 의한 결함 및 기판의 휘어짐에 의한 결함 중 적어도 하나를 포함하는, 결함 유형 결정 방법.
  15. 삭제
  16. 제11항에 있어서,
    상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계는,
    상기 머신-러닝 기반 모델로부터, 상기 복수의 제1 결함 유형의 각각의 임계값을 나타내는 임계값 정보를 획득하는 단계; 및
    상기 임계값 정보를 통해 확인되는 상기 복수의 제1 결함 유형의 각각의 임계값과 상기 획득된 복수의 제1 값을 비교함으로써, 상기 복수의 제2 솔더 페이스트와 관련된 복수의 제2 결함 유형을 결정하는 단계
    를 포함하는 결함 유형 결정 방법.
  17. 제16항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제1 결함 유형의 각각과 상기 이상이 감지된 복수의 솔더 페이스트를 나타내는 이미지와의 관련성을 나타내는 복수의 값을 통해 상기 복수의 제1 결함 유형 각각에 설정된 임계값을 조정함으로써, 상기 임계값 정보를 학습하는, 결함 유형 결정 방법.
  18. 제11항에 있어서,
    상기 머신-러닝 기반 모델에 의해 생성되는 복수의 이미지의 각각이 나타내는 영역은 서로 다른 결함 유형과 관련된 영역인, 결함 유형 결정 방법.
  19. 제11항에 있어서,
    상기 복수의 제2 결함 유형 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계는,
    상기 복수의 제2 이미지에 기초하여, 복수의 제2 결함 유형과 관련된 영역을 확인하는 단계; 및
    상기 복수의 제2 결함 유형과 관련된 영역과 상기 제1 기판에 대한 이미지를 통해 확인되는 상기 복수의 제2 솔더 페이스트의 각각의 위치에 기초하여, 상기 복수의 제2 결함 유형의 각각과 관련된 적어도 하나의 제3 솔더 페이스트를 결정하는 단계
    를 포함하는 결함 유형 결정 방법.
  20. 제11항에 있어서,
    상기 복수의 제2 결함 유형을 결정한 후, 상기 생성된 적어도 하나의 이미지를 통해 상기 머신-러닝 기반 모델을 학습시키는 단계
    를 더 포함하는 결함 유형 결정 방법.
KR1020207015760A 2019-01-22 2020-01-21 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법 Active KR102300951B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962795311P 2019-01-22 2019-01-22
US62/795,311 2019-01-22
PCT/KR2020/001013 WO2020153712A1 (ko) 2019-01-22 2020-01-21 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법

Publications (2)

Publication Number Publication Date
KR20200093559A KR20200093559A (ko) 2020-08-05
KR102300951B1 true KR102300951B1 (ko) 2021-09-13

Family

ID=71735607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207015760A Active KR102300951B1 (ko) 2019-01-22 2020-01-21 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법

Country Status (5)

Country Link
US (1) US11531843B2 (ko)
EP (1) EP3736560A4 (ko)
KR (1) KR102300951B1 (ko)
CN (1) CN111742214B (ko)
WO (1) WO2020153712A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112557416A (zh) * 2019-09-09 2021-03-26 英业达科技有限公司 使用深度学习模型检测焊点是否桥接的系统及方法
CN112801328B (zh) * 2019-11-14 2023-10-31 富联精密电子(天津)有限公司 产品印刷参数设定装置、方法及计算机可读存储介质
US11443092B2 (en) * 2020-05-11 2022-09-13 Synopsys, Inc. Defect weight formulas for analog defect simulation
KR102366032B1 (ko) * 2021-03-25 2022-02-23 데이터크러쉬 주식회사 머신러닝에 기반하여 자동 증강된 회로 기판 이미지를 학습함으로써 회로 기판 불량 여부를 판별하는 방법 및 이를 이용한 컴퓨팅 장치
KR102327595B1 (ko) * 2021-06-09 2021-11-17 주식회사 한울시스템 시트에 대한 주름 영역을 결정하는 방법 및 디바이스
EP4354122A4 (en) * 2021-06-09 2024-09-25 Hanul System Co., Ltd. METHOD AND DEVICE FOR DETERMINING THE CREASE AREA FOR A SEAT
CN114216915B (zh) * 2021-12-15 2024-03-29 江门市浩远科技有限公司 一种基于线路板污渍和缺陷类型类别级别检测分类的方法
JP2024021487A (ja) * 2022-08-03 2024-02-16 ＪＤＩ Ｄｅｓｉｇｎ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ 合同会社 検査方法、検査装置及びプログラム
KR20240053212A (ko) * 2022-10-17 2024-04-24 한국기계연구원 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램
CN118111377A (zh) * 2022-11-24 2024-05-31 中兴通讯股份有限公司 锡膏检测阈值调整方法、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006216589A (ja) 2005-02-01 2006-08-17 Omron Corp プリント基板の品質管理システム
WO2016121628A1 (ja) * 2015-01-28 2016-08-04 東レエンジニアリング株式会社 ワイドギャップ半導体基板の欠陥検査方法及び欠陥検査装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
KR100819803B1 (ko) 2006-04-06 2008-04-07 삼성테크윈 주식회사 솔더 페이스트 검사 방법
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI608369B (zh) * 2016-11-23 2017-12-11 財團法人工業技術研究院 分類方法、分類模組及電腦程式產品
KR101991170B1 (ko) * 2017-06-05 2019-06-19 충북대학교 산학협력단 인쇄 회로 기판의 결함 분류 장치 및 방법
KR20190084167A (ko) * 2017-12-21 2019-07-16 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006216589A (ja) 2005-02-01 2006-08-17 Omron Corp プリント基板の品質管理システム
WO2016121628A1 (ja) * 2015-01-28 2016-08-04 東レエンジニアリング株式会社 ワイドギャップ半導体基板の欠陥検査方法及び欠陥検査装置

Also Published As

Publication number Publication date
WO2020153712A1 (ko) 2020-07-30
KR20200093559A (ko) 2020-08-05
CN111742214A (zh) 2020-10-02
US11531843B2 (en) 2022-12-20
CN111742214B (zh) 2023-10-20
EP3736560A1 (en) 2020-11-11
EP3736560A4 (en) 2022-02-23
US20210357693A1 (en) 2021-11-18

Similar Documents

Publication Publication Date Title
KR102300951B1 (ko) 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법
CN109946319B (zh) 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质
CN111788883B (zh) 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质
JP6608682B2 (ja) 位置決め方法、外観検査装置、プログラム、コンピュータ可読記録媒体および外観検査方法
CN103299177B (zh) 锡焊检查方法和基板检查系统以及锡焊检查机
US10684321B2 (en) Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium
US20050207655A1 (en) Inspection system and method for providing feedback
JP2005286309A (ja) 部品実装基板用の検査方法および検査システム、部品実装基板の製造方法
JP2012145484A (ja) はんだ付け検査方法、およびはんだ付け検査機ならびに基板検査システム
KR102228957B1 (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
JP2019100917A (ja) 検査プログラム生成システム、検査プログラムの生成方法、及び検査プログラムの生成用プログラム
WO2017081736A1 (ja) リード先端位置画像認識方法及びリード先端位置画像認識システム
CN115100166A (zh) 焊点缺陷检测方法及装置
US11763445B2 (en) Inspection of a target object using a comparison with a master image and a strictness of a quality evaluation threshold value
JP2008300456A (ja) 被検査体の検査システム
CN102221561A (zh) 检测焊膏印刷的系统和方法
JP5172211B2 (ja) 被検査体の検査システム
CN113689495A (zh) 基于深度学习的孔心检测方法及其孔心检测装置
JP4371883B2 (ja) 検査用照明光源ユニットとこの光源ユニットを用いた表面欠陥検査装置
US20240303982A1 (en) Image processing device and image processing method
WO2024062854A1 (ja) 画像処理装置および画像処理方法
WO2023162940A1 (ja) 検査装置、検査方法、及び検査プログラム
Lu et al. Machine vision systems using machine learning for industrial product inspection
WO2023162941A1 (ja) 検査装置、画像処理方法、及び画像処理プログラム
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

Legal Events

Date Code Title Description
PA0105 International application

Patent event date: 20200602

Patent event code: PA01051R01D

Comment text: International Patent Application

PA0201 Request for examination
PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20210225

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20210824

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20210906

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20210907

End annual number: 3

Start annual number: 1

PG1601 Publication of registration