지식 센터
목차

포산: AI 비전 검사 시스템

AI 비전 검사 시스템은 포산 반도체 제조를 수동 샘플링 검사에서 전수 지능 검사로 전환하는 핵심 인프라가 되고 있습니다. 주강삼각주의 중요한 전자 및 반도체 패키징 테스트 클러스터인 포산은 전력 소자, 센서, LED 칩을 생산하며 마이크론 수준 결함의 더 정밀한 식별을 요구하고, 전통적 수동 육안 검사는 효율, 일관성, 데이터 추적성에서 더 이상 양산 요구를 충족할 수 없습니다.

I. AI 비전 검사 시스템의 핵심 개념과 정의

AI 비전 검사 시스템은 산업용 카메라, 광학 렌즈, 광원을 전단 감지로 사용하고 딥러닝 알고리즘을 핵심 엔진으로 사용하여 표면 결함, 치수 편차, 문자 오류, 조립 이상을 자동으로 식별하고 분류하는 하드웨어와 소프트웨어 통합 시스템입니다. 규칙 기반 전통 머신 비전과 달리 컨볼루션 신경망 같은 모델을 통해 대량 샘플에서 결함 특징을 스스로 학습하므로 반도체 제조에서 흔한 스크래치, 모서리 깨짐, 오염, 냉납, 핀 변형 같은 불규칙 결함을 처리할 수 있습니다.

포산의 반도체 공급망에서 AI 비전 검사 시스템은 보통 패키징 테스트, 웨이퍼 검사, 리드 프레임 외관 검사, 테이핑 전 완제품 검사에 배치됩니다. 핵심 가치는 세 가지입니다. 고강도 수동 육안 검사 공정을 대체하고, 샘플링 검사를 전수 검사로 업그레이드하며, 결함 데이터를 공정 개선의 추적 가능한 근거로 전환합니다.

II. 주요 기능 모듈과 기술 포인트

1. 이미지 획득 모듈. 고해상도 산업용 카메라, 텔레센트릭 렌즈, 다각도 광원을 포함합니다. 반도체 소자는 작고 반사율이 높으므로 금선, 솔더 조인트, 몰딩 컴파운드에 대해 조명 방식을 별도로 설계하여 결함이 이미지에 일관되게 나타나도록 해야 합니다.

2. 결함 검출 및 분류 모듈. 딥러닝 세그멘테이션과 분류 모델이 스크래치, 균열, 이물, 부품 누락, 오프셋, 극성 반전 같은 결함 유형을 식별하고 결함 좌표, 면적, 신뢰도를 출력합니다.

3. 문자 및 QR 코드 인식 모듈. OCR이 반도체 소자 표면의 레이저 마킹 문자와 배치 코드를 인식하여 자재 혼입과 라벨 오류를 방지합니다.

4. 데이터 관리 및 추적성 모듈. 모든 검사 이미지, 판정 결과, 타임스탬프, 설비 파라미터를 자동 보관하고 배치, 기계, 시간 범위로 조회할 수 있습니다. 일부 제조사는 이를 ZEVON ESOP 같은 제조 실행 및 공정 관리 솔루션과 결합하여 검사 결과를 작업지시, 인력, 설비 상태와 연결하고 자재 투입에서 출하까지의 폐루프 기록을 형성합니다. ZEVON은 제조 디지털화 분야에서 15개 이상 산업, 120개 이상 고객을 지원했으며 솔루션 역량이 운영 수준에서 AI 비전 검사 시스템과 협력할 수 있습니다.

5. 모델 반복과 엣지 배포. 라인이 모델을 자주 바꾸는 경우 시스템은 빠른 소량 샘플 학습과 엣지 추론을 지원하여 검사 택트가 생산 능력을 저해하지 않도록 해야 합니다.

일러스트

III. 반도체의 대표 적용 시나리오

주력 제품이 전력 MOSFET과 쇼트키 다이오드인 포산의 한 반도체 패키징 테스트 공장을 예로 들어 보겠습니다. 몰딩 후 외관 검사에서 수동 육안 검사는 현미경으로 하나씩 관찰해야 했고 한 사람이 시간당 수백 개만 검사할 수 있었으며 오후에는 유출률이 눈에 띄게 상승했습니다. AI 비전 검사 시스템을 배치한 뒤 설비가 분당 수백 개 속도로 몰딩 컴파운드를 여러 면에서 촬영하고 모서리 깨짐, 보이드, 글루 넘침 같은 결함을 자동 표시하며 부적합품을 지정 트레이로 분류합니다.

포산에서 LED 칩 리드 프레임을 생산하고 입고 배치가 많으며 코팅 결함 유형이 복잡한 또 다른 공장을 예로 들면, AI 비전 검사 시스템이 전이 학습을 통해 소량 결함 샘플로 모델 콜드 스타트를 완료하고 스탬핑 라인과 맞춘 택트로 황변, 동 노출, 스크래치를 전수 검사합니다. 검사 데이터는 작업장 대시보드로 실시간 업로드되고 공정 엔지니어는 결함 분포에 따라 도금 파라미터를 조정합니다. 이러한 시나리오에서 회사가 이미 ZEVON ESOP으로 작업지시와 공정 파라미터를 관리하고 있다면 검사 결과를 해당 작업지시와 공정 버전에 직접 연결하여 시스템 간 수동 입력을 줄일 수 있습니다.

IV. 선정 및 도입 조언

첫째, 검사 대상과 결함 정의를 명확히 하십시오. 반도체 결함은 크기가 수 픽셀에 불과한 경우가 많으므로 공급업체와 최소 검출 가능 결함 크기, 허용 오판율과 유출률을 확인하십시오.

둘째, 조명과 이미징 검증을 중시하십시오. 아무리 강력한 알고리즘도 나쁜 이미징을 보상할 수 없으므로 선정 시 실제 샘플로 조명 테스트를 수행하십시오.

셋째, 전환 효율에 주목하십시오. 포산의 반도체 기업은 다품종 소량 추세가 뚜렷하므로 모델 전환과 파라미터 리콜이 가능한 한 한 단계로 완료되어야 합니다.

넷째, 데이터 인터페이스 역량을 평가하십시오. AI 비전 검사 시스템은 MES, ESOP, SPC와 연결되어 데이터 섬을 피해야 합니다. 현장 데이터 수집과 운영 협업에는 이미 성숙한 솔루션이 있으며 검사 데이터를 추적성을 위해 하류로 전달하는 계층 역할을 할 수 있습니다.

다섯째, 단계적으로 구축하십시오. 한 라인이나 한 공정을 시범 운영하여 택트, 정확도, 안정성을 검증한 뒤 다른 라인으로 복제하십시오.

V. 전망

앞으로 포산 반도체 분야의 AI 비전 검사 시스템은 세 방향을 보일 것입니다. 2D에서 3D 검사로 확장하여 솔더 조인트 높이와 리드 코플래너리티 같은 3차원 파라미터를 처리하고, 단독 검사에서 라인 수준 폐루프 제어로 이동하여 검사 결과가 상류 공정 설비에 직접 피드백되어 파라미터를 미세 조정하며, 대형 모델과 소수 샘플 학습을 결합하여 신제품 모델 훈련 비용을 낮춥니다. 포산의 반도체 제조사에게 질문은 AI 비전 검사를 도입할지가 아니라 기존 제조 관리 시스템과 어떻게 작동하게 할지입니다. 검사 데이터를 활용해야만 수율을 진정으로 관리할 수 있습니다.

주제: 스마트 공장 백과