실시간 반도체 패키지 불량 검출을 위한 세부 관심 영역 자동 추출 기법

• 영문명: Automatic Detailed Region of Interest Model for Real-Time Semiconductor Package Defect Detection
• 발행기관: 한국마이크로전자및패키징학회
• 저자명: 임승택(Seungtaek Lim) 박영진(Youngjin Park) 최원용(Wonyong Choi) 한기준(Keejun Han)
• 간행물 정보: 『마이크로전자 및 패키징학회지』제32권 제1호, 100~113쪽, 전체 14쪽
• 주제분류: 공학 > 산업공학
• 파일형태: PDF
• 발행일자: 2025.03.31

국문 초록

인공지능(AI) 기술의 발전과 함께 등장한 2.5D, 3D 패키징과 같은 고성능 반도체 패키징 기술이 등장하였고, 이러한 반도체 패키지의 디자인은 점점 복잡해지고 있으며 패키지 내 검사가 필요한 영역의 수는 지속해서 증가하고 있다. 이에 따라, 기존의 수동 방식으로 영역을 지정하고 임계값을 설정하는 룰베이스 기반 불량 검사 시스템은 많은 시간과 오류 가능성을 동반한다. 이러한 문제를 해결하기 위해, 본 연구는 딥러닝 모델을 활용하여 실제 양산 QFN (quad flat no-lead)과 BGA (ball grid array) 패키지이미지에서 불량 탐지를 위한 관심 영역(region of interest, ROI)을 자동으로 추출하는 방법을 제시한다. 본 연구에서는 실시간 객체 탐지에서 가장 많이 사용되는 YOLOv8, YOLOv9, YOLO v10, YOLOv11 모델을 사용하여 학습 데이터 양이 모델 성능에 미치는 영향을 분석하고, 데이터 증강 및 전처리 기법을 통해 적은 데이터셋으로도 자동 세부 관심 영역 추출 성능을 향상시킬 수 있음을 확인하였다. 또한 실제 산업 현장의 다양한 조명 변화 조건을 고려하여, 딥러닝모델이 반도체 패키지 내 중요한 요소들을 높은 정확도로 잘 탐지할 수 있음을 입증하였다. 본 연구는 반도체 패키지 검사 시스템의 자동화및 효율성을 향상시키는 데 중요한 기초 자료로 활용될 것이다.

영문 초록

As high-performance semiconductor packaging technologies such as 2.5D and 3D packaging along with the advancement of artificial intelligence (AI) have emerged with more complex packaging designs, the number of areas that need to be inspected in the package continues to increase. As a result, a rule-based defect inspection system that defines inspection areas and sets thresholds manually is time-consuming and error-prone. To solve this problem, this study proposes a method to automatically extract the region of interest (ROI) from actual quad flat no-lead (QFN) and ball grid array (BGA) package images using deep learning models. In this study, we analyzed the effect of the amount on the model performance using the YOLOv8, YOLOv9, YOLOv10, and YOLOv11 models, which are commonly used in real-time object detection, and showed that the performance of automatic detailed ROI extraction can improve with small datasets through data augmentation and preprocessing techniques. In addition, it was proved that the deep learning model can detect important elements in semiconductor packages well with high accuracy by considering various lighting change conditions in the industrial site. This study will be used as important basic data to improve the automation and efficiency of the semiconductor package inspection system.

목차

1. 서 론

2. 관련 연구

3. 모델 소개

4. 실험 방법

5. 실험 결과

6. 결 론

Acknowledgments

References

키워드

Semiconductor package inspection Defect detection ROI extraction Deep learning Machine vision