검색 상세

딥러닝을 활용한 디스플레이 마스크 이상 검출 검사기 시스템 연구

  • 장경진 (아주대학교 정보통신대학원)

초록/요약

딥러닝 기술이 전반적인 분야에 걸쳐 대두되던 시기부터 디스플레이 및 반도체 분야에서도 여러 공정 기술 및 검사 분야에 딥러닝을 활용하려는 시도가 많이 진행되고 있다. 특히 검사기 쪽에서는 이미지를 다루는 분야이다 보니 CNN (convolutional neural network)모델을 활용한 여러 시도들이 있었지만 현실적 인 문제들에 부딪혀 실제 양산 장비에 적용이 된 것은 미비한 상황이다. 본 논 문에서는 디스플레이 분야의 마스크(Mask) 세정기의 검사기 시스템에 집중하 여 해당 분야에서 더 나은 성능을 갖출 수 있는 기술들을 제안한다. 본 논문에서는 기존의 전통적인 Rule Base Program 의 검사기 시스템을 분석 하고 한계점을 파악하였고 그 한계점을 보완하기 위해 딥러닝 기반의 이상 탐 지 모델을 제안한다. 기존 검사기 시스템의 성능을 일반적으로 85~90%의 수 준으로 사용하고 있으나 실제 자세히 들여다보면 특정 형태 및 크기의 Defect 이미지들을 검출해 내는데 매우 취약하다는 것을 주목하였고 해당 형태의 Defect 들을 딥러닝 모델로 보완하려는 시도들을 하였다. 이미지 인식 및 분류 모델로 뛰어난 성능을 보여왔던 여러 모델들을 실험하여 Fine Tuning 을 진행 하였고 가장 좋은 성능을 내는 모델을 선정하여 기존 검사기 시스템과 상호 보 완적인 검사 시스템을 제안한다. 본 논문에서 실험을 진행해 각 모델의 정확도 (Accuracy)를 비교하여 가장 성능이 좋은 모델을 선별하고 해당 모델과 기존 검사기 시스템을 비교하여 적용할 수 있는 Class를 선별하여 적용하였다. 이러 한 접근으로 기존 검사기 시스템의 성능을 85~90%에서 92~94%로 향상시켰 고 성능의 편차도 개선되었다. 그러나 기존 검사기 시스템이 갖고 있는 모든 한계점들을 딥러닝 모델이 보완 한 것은 아니며 딥러닝 모델이 갖고 있는 한계점도 존재하기에 추후 정형화되 어 있는 크기의 이미지를 검사하는 방식이 아닌 원본 이미지 전체를 한번에 검 사하여 특정 물체를 탐지하는 Object Defection 기술의 연구가 필요함을 언급 하고자 한다.

more

목차

제1장. 서론 1
제1 절. 연구 배경 1
제2 절. 연구 목적 2
제3 절. 논문의 구성 3
제2장. 이론적 배경 4
제1절. 기본 개념 정의 4
제2절. 기존 검사 시스템 분석 5
제3장. 사례 연구 6
제1절. 사례 선정 기준 6
제2절. 사례 분석 6
1. 딥러닝 모델의 재구성 손실을 이용한 이상탐지 알고리즘 6
2. USAD방법론을 활용한 디스플레이 Photo 공정 모니터링 8
제4장. 데이터 수집 및 전처리 10
제1절. 데이터 수집 및 선정 10
제2절. Data Preprocessing 및 Augmentation 11
제5장. 방법론 15
제1절. 딥러닝 모델 15
1. VGG16 15
2. Residual Networks 16
3. EfficientNet 17
제2절. Model Tuning 18
제3절. Size Rescale 18
제4절. Rule Base Program Ensemble 19
제5절. 평가 지표 22
제6장. 실험 방법 및 결과 23
제1절. 실험 설계 23
제2절. 모델 별 평가 24
제3절. Category Merge 27
제4절. 검사기 시스템 성능 비교 31
제7장. 결 론 33
제1절. 연구 결과 33
제2절. 향후 연구 34
참고 문헌 35

more
반출 Meta View 목록