핵심 요약
반도체 제조의 기초인 실리콘 웨이퍼의 결함은 전체 칩 수율에 치명적인 영향을 미치며, 이를 해결하기 위해 컴퓨터 비전 기반의 자동화 검사가 필수적이다. 본 가이드는 Roboflow 플랫폼을 사용하여 웨이퍼 표면의 크랙과 스크래치를 탐지하는 거시적 분석(Macroscopic Analysis) 모델 구축 과정을 단계별로 설명한다. RF-DETR 아키텍처를 활용해 92.2%의 mAP 성능을 달성하는 방법과 데이터 증강, 전처리 설정을 통한 모델 강건성 확보 방안을 포함한다. 최종적으로 Roboflow Workflows를 통해 엣지 환경에 배포하고 자동화된 품질 관리 시스템을 구축하는 실전적인 워크플로우를 제공한다.
배경
객체 탐지(Object Detection) 기본 개념, Roboflow 플랫폼 사용법, 데이터 증강(Data Augmentation) 이해
대상 독자
반도체 제조 공정 자동화 엔지니어 및 컴퓨터 비전 개발자
의미 / 영향
AI 기반 자동 검사 도입은 반도체 제조의 초기 불량 선별력을 높여 전체 생산 비용을 절감하고 수율을 획기적으로 개선할 수 있다. 특히 트랜스포머 기반 모델의 도입으로 기존 룰 기반 검사로 잡기 힘들었던 미세 결함 탐지 성능이 강화될 것이다.
섹션별 상세
이미지 분석
모델의 혼동 행렬(Confusion Matrix)과 실제 탐지된 웨이퍼 이미지 목록을 통해 전체적인 성능 지표와 오탐 사례를 한눈에 보여준다.
반도체 검사 대시보드 화면
실리콘 웨이퍼 표면에 발생한 크랙과 스크래치를 바운딩 박스로 시각화하여 탐지 대상의 특징을 명확히 한다.
결함이 표시된 웨이퍼 이미지
RF-DETR 모델의 크기(Nano, Small, Medium 등)와 라이선스 정보를 선택하는 과정을 보여주며 Medium 모델 사용을 권장한다.
모델 아키텍처 선택 화면
실무 Takeaway
- 거시적 결함 탐지에는 전역적 문맥 파악에 유리한 RF-DETR 아키텍처를 사용하여 92% 이상의 mAP를 확보할 수 있다.
- 스크래치와 같이 작고 얇은 결함의 탐지율을 높이기 위해 타일링 전처리 및 SAHI(Sliced Aided Hyper Inference) 워크플로우 적용이 권장된다.
- 산업 현장의 가변적인 조명 조건을 극복하기 위해 노출(-10%~+10%) 및 채도(-25%~+25%) 증강 설정을 필수로 포함해야 한다.
언급된 리소스
AI 요약 · 북마크 · 개인 피드 설정 — 무료