반도체 검사를 위한 컴퓨터 비전: 웨이퍼 결함 탐지 자동화 가이드

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

반도체 제조 공정의 기초인 실리콘 웨이퍼의 결함은 전체 수율에 치명적인 영향을 미치지만, 전통적인 검사 방식은 대량 생산 환경에서 한계가 있다. 본 가이드는 Roboflow 플랫폼을 사용하여 웨이퍼의 크랙과 스크래치를 탐지하는 자동화된 컴퓨터 비전 시스템 구축 과정을 단계별로 구성했다. RF-DETR 모델 학습을 통해 92.2%의 mAP를 달성했으며, SAHI 기법을 통한 미세 결함 탐지 개선 방안과 실시간 배포를 위한 워크플로우 활용법을 포함했다. 이를 통해 제조사는 초기 단계에서 결함을 식별하여 자원 낭비를 줄이고 생산성을 극대화할 수 있다.

배경

컴퓨터 비전 기초 지식, 객체 탐지(Object Detection) 개념, Roboflow 플랫폼 사용법

대상 독자

반도체 제조 공정 자동화 엔지니어 및 컴퓨터 비전 개발자

의미 / 영향

이 기술은 반도체 제조 공정에서 수동 검사 비용을 줄이고 수율을 높이는 데 직접적으로 기여한다. 특히 엣지 배포와 실시간 워크플로우 결합을 통해 스마트 팩토리의 자동화 수준을 한 단계 높일 수 있다.

섹션별 상세

반도체 제조의 기초인 실리콘 웨이퍼의 구조적 무결성은 수천 개의 칩 작동 여부를 결정하며, 미세한 결함도 전체 실패로 이어질 수 있다. 거시적 분석은 객체 탐지 기술을 사용하여 웨이퍼 표면 전체의 크랙과 스크래치를 식별하는 데 집중한다.

Roboflow Universe의 Wafer Defect Detection 데이터셋은 크랙, 스크래치, 표면 결함 등 물리적 이상 징후를 포함한다. 사용자는 Fork 기능을 통해 해당 데이터를 자신의 워크스페이스로 가져와 고유한 생산 환경에 맞춰 어노테이션을 수정하거나 추가 이미지를 학습시킬 수 있다.

웨이퍼 표면의 결함을 바운딩 박스로 표시한 예시이다. — Screenshot실제 공정에서 객체 탐지 모델이 크랙이나 스크래치를 어떻게 시각적으로 식별하는지 보여준다. 다양한 크기와 형태의 결함이 정확하게 박스로 표시되어 모델의 실제 작동 모습을 확인할 수 있다.

Roboflow Universe의 데이터셋 페이지 스크린샷이다. — Screenshot학습에 사용된 데이터의 구성, 클래스(crack, scratch), 그리고 데이터를 자신의 프로젝트로 가져오는 과정을 나타낸다. 사용자가 튜토리얼을 따라할 때 필요한 데이터 소스를 식별하는 데 도움을 준다.

하드웨어에 구애받지 않는 모델 성능을 위해 데이터 전처리 및 증강 설정을 구성했다. 카메라 장착 방향에 상관없는 Auto-Orient, 다양한 거리의 결함 인식을 위한 Crop(0-20%), 조명 변화 대응을 위한 Saturation 및 Exposure 조정을 적용했다.

RF-DETR Medium 모델은 트랜스포머 아키텍처를 기반으로 이미지의 전역적 문맥을 이해하여 웨이퍼 표면의 결함을 정밀하게 포착한다. 클라우드 기반 GPU를 통한 학습 결과, mAP@50 92.2%, 정밀도 93.1%, 재현율 93.3%의 성능을 확보했다.

혼동 행렬 분석 결과 스크래치 클래스에서 미탐이 주로 발생함을 확인했다. 이를 해결하기 위해 SAHI 워크플로우를 도입하여 이미지를 타일링함으로써 작고 얇은 특징의 탐지 성능을 개선할 수 있다.

모델 성능 평가를 위한 혼동 행렬과 지표 대시보드다. — ChartmAP, Precision, Recall 수치와 함께 어떤 클래스에서 미탐이 발생하는지 분석하는 도구로 활용된다. 특히 스크래치 클래스에서 발생한 74개의 미탐 사례를 시각적으로 보여주어 개선 방향을 제시한다.

Roboflow Workflows를 활용하면 모델을 엣지 서버에 배포하고 실시간 검사 파이프라인을 구축할 수 있다. 결함 발견 시 즉각적인 시스템 알림을 트리거하거나 LLM을 결합한 사고 계층을 추가하여 복잡한 추론을 수행하는 것이 가능하다.

실무 Takeaway

반도체 공정 초기 단계에서 RF-DETR 모델을 적용하면 수율에 치명적인 거시적 결함을 92% 이상의 정확도로 자동 식별할 수 있다.
현장의 가변적인 조명 환경에 대응하기 위해 노출 및 채도 증강을 적용하여 모델의 강건성을 확보해야 한다.
작고 가느다란 스크래치 결함의 탐지율을 높이려면 이미지를 타일 형태로 나누어 처리하는 SAHI 기법 도입이 효과적이다.

언급된 리소스

문서Wafer Defect Detection Dataset