‘머신 비전’ - 반도체 산업에서 프로세스 최적화의 핵심 기술
반도체의 가용성을 보장하고 공급망 중단에 대한 의존도를 낮추기위해 현재 전 세계 여러 지역에서 반도체 제조 능력이 빠르게 구축 되고 있다. 반도체 생산은 복잡하며 1000개가 넘는 다양한 공정 단계를 포함한다. 따라서 생산 시설의 건설은 복잡하고 민감하다. 또한, 개별 반도체 제조업체들도 생산 과정에서 다양한 공정을 구현하고 있다.
또한 웨이퍼와 칩의 종류에 따라 생산에 필요한 요구 사항이 달라진다. 따라서 반도체 제조 공정에 통일된 기준은 존재하지 않는다. 즉, 다양한 공정에도 불구하고 신속하게 가치를 더할 수 있는 유연한 기술이 필요하다. 이러한 핵심 기술 중 하나가 ‘머신 비전’ 이다. 특히 반도체 고정밀 생산에서 필요한 수많은 검사 및 정렬 공정을 자동화하고 높은 정밀도로 수행할 수 있다는 것이 장점이다.
머신 비전 ‘The Eye of Production’
머신 비전의 활용 범위는 매우 넓기 때문에 다양한 산업 분야에서 사용되고 있다. 그 중에서도 가장 대표적인 활용 분야는 제조업에서의 품질 보증이다. 머신 비전은 산업 현장에서 생산 공정을 시각적으로 모니터링, 검사, 제어하는데 사용되기 때문에 ‘생산의 눈’ 이라고도 불린다.
머신 비전 구성 요소에는 카메라, 조명, 피더, 컴퓨팅 장치 등의 하드웨어가 포함된다. 카메라는 정지 또는 움직이는 이미지를 캡처하고, 이미지 처리 소프트웨어는 정교한 기술을 사용하여 이미지에서 정보를 추출한다. 그 결과 다음과 같은 이점이 있다.
• 이미지 처리가 매우 빠르며, 검사 단계가 몇 밀리초 안에 이루 어지는 경우도 있다.
• 자동화 과정의 일부로서, 머신 비전은 24시간 연중무휴로 이용 가능하다. 또한, 머신 비전의 성능과 지속성은 인간의 눈을 능가한다.
• 머신 비전은 공간을 거의 차지하지 않고, 클린룸 환경에 통합될수 있으며, 인체에 유해한 물질을 다루는 작업을 처리할 수 있다.
• 머신 비전의 결과는 정확하고 신뢰할 수 있으며 반복 가능하다. 사람의 검사와 달리, 머신 비전의 결과는 100% 객관적이다.
응용 분야에 따라 다양한 기술을 사용하여 다양한 응용 분야를 구현할 수 있다.
결함 탐지
거의 모든 생산 시나리오에서 제품에 기능적 결함이나 외관상의 결함이 있는지 확인하는 단계가 하나 이상 있다. 오늘날의 고도로 자동화된 생산 환경에서는 수작업 검사보다 많은 장점을 제공하기 때문에 머신 비전이 이 작업에 광범위하게 사용된다. 머신 검사는 훨씬 빠르고, 결과는 객관적이고 재현 가능하며, 피로감이나 작업의 단조로움 등으로 인해 검사 품질이 저하될 위험이 없다.
인공지능, 특히 딥러닝 기술은 점점 더 강력해지고 매우 구체적인 요구 사항을 충족할 수 있기 때문에 반도체 제조분야에서도 흥미로운 분야이다. 머신 비전 분야에서 딥러닝은 이전에는 불가능했던 응용 분야를 점점 더 많이 가능하게 하고 있다.
또한, 기존 응용 프로그램의 성능을 크게 향상시킬 수 있다. 딥러닝 기반 이상 탐지는 결함 탐지 및 분할과 같은 자동화된 표면 검사를 가능하게 한다. 이 기술은 편차, 즉 모든 종류의 결함을 정확하고 독립적으로 국소화할 수 있다. 모델을 훈련하기 위해서는 결함이 없는 예시 이미지만 있으면 된다. 다른 딥러닝 방법과 달리 라벨링 작업이 필요하지 않다. 추론 과정에서, 이상 탐지 기능은 훈련된 이미지에서 크게 벗어난 이미지 영역을 구분한다.
측정
품질 관리와 관련하여, 결함 확인 외에도 치수 정확도를 결정하는 것이 필수적이다. 이 작업에는 구성 요소가 정의된 허용 범위 내에 있는지 확인하는 작업이 포함된다. 산업용 이미지 처리 기술은 1밀리초 이내에 선이나 원의 세그먼트를 따라 가장자리를 서브픽셀 단위로 정확하게 측정할 수 있다. 2D 측정도 가능하다. 2D 측정 기술은 특정 기하학적 모양의 물체를 측정하는 데 사용할 수있다. 이러한 모양은 원, 타원, 직사각형, 선 등이 될 수 있다.
3D 측량 방법도 있다. 시차 이미지, 거리 이미지 또는 표면의 3D 좌표는 쌍안경, 다중 이미지, 포토메트릭 스테레오, 시트 오브 라이트, 포커스로부터의 깊이 등 다양한 기술을 사용하여 재구성할수 있다. 또한 원형과 직사각형 물체의 3D 위치는 단 하나의 카메 라로 아주 쉽게 결정할 수 있다. 3D 데이터 사용 예를 들어, 원통, 구, 평면과 같은 3D 기본 요소를 정확하게 측정할 수 있다.
반도체 산업과 관련된 또 다른 방법은 3D 보정이다. 이 기술은 사 용자에게 영역 또는 라인 스캔 카메라에 대한 독특하고 정확한 설명을 제공한다. 이 과정에서 일련의 소위 내부 및 외부 카메라 매개변수가 이미지 좌표를 세계 좌표에 매핑한다. 로봇 공학 응용 프로그램에서는 로봇과 카메라 간의 관계도 결정할 수 있다.
매우 정확한 위치 감지
매칭 방법은 1/20 픽셀보다 높은 정확도로 물체를 찾을 수 있으며, 부분적으로 가려져 있는 경우에도 마찬가지이다. 또한, 이미지가 적절하게 정렬될 수 있다. 서브픽셀 수준의 정확도를 자랑하는 형태 기반 매칭은 머신 비전에서 가장 중요한 기술 중 하나이다. 이 기술을 사용하면 물체를 실시간으로 정확하고 안정적으로 찾을 수 있다.
이 기능은 회전, 크기 조정, 원근 왜곡, 국소 변형, 부분적으로 가려짐 또는 이미지 밖으로 나간 경우, 또는 비선형 조명 변화의 영향을 받는 경우에도 작동한다. 형태 기반 매칭 프로세스는 8비트 또는 16비트 이미지뿐만 아니라 컬러 및 다중 채널 이미지를 처리 한다. 또한 이미지 템플릿 또는 CAD 데이터를 사용하여 객체를 훈련할 수 있다. 서로 상대적으로 움직이는 여러 부분으로 구성된 객체를 국소화하는 것도 가능하다.
Blob 분석
블롭(Blob) 분석은 기본적인 이미지 처리 기능 중 하나이다. 이기능은 동일한 논리적 상태(Blob)를 공유하는 연결된 픽셀에서 특징을 추출하는 것을 포함한다. 고품질의 머신 비전 소프트웨어 프로그램에는 다양한 개체 특징의 분할과 분석을 보장하는 일련의 연산자와 도구가 포함되어 있다. 따라서 임의의 모양의 블롭은 ‘관심 영역’으로 정의되어 후속 이미지 처리에 적용된다. 예를 들어, 겹치는 더 복잡한 개체도 안정적으로 처리된다.
블롭 분석은 주로 두 단계로 이루어진다. 세분화(segmentation) 는 사전 처리 도구와 연산자를 사용하여 이미지 배경에서 관심 있는 픽셀을 분리하는 것이다. 두 번째 단계는 특징 추출이다. 이 단계에서는 하나 이상의 블롭의 면적(즉, 픽셀 수), 중심, 또는 방향과 같은 특징을 계산한다.
식별
반도체 산업을 포함한 다양한 산업 분야에서 제품 식별 및 추적 가능성에 대한 필요성이 점점 더 커지고 있다. 구성 요소는 내용물을 식별하고 중요한 제조 정보를 제공하기 위해 다양한 바코드, 데이터 코드, 문자 및 기호로 인쇄, 표시, 각인, 에칭 또는 라벨링된다. 최신 머신 비전 소프트웨어는 적용 방법에 관계없이 문자, 코드 및 기호를 판독하는 데 필요한 모든 방법과 기술을 제공한다.
바코드와 데이터 코드를 읽는 것은 물품을 식별하는 가장 쉬운 방법중 하나이다. 바코드와 데이터 코드에는 여러 가지 유형이 있지만, 두 가지 유형의 코드는 모두 손상되거나 다른 방식으로 방해받을 수있다는 점에서 근본적으로 동일한 문제에 직면한다. 최신 이미지 처리 알고리즘은 이러한 문제를 극복하고 정보를 강력하고 빠르게 해독할 수 있도록 한다.
바코드와 데이터 코드 외에도, 어떤 품목에는 임의의 라벨이 붙어 있을 수 있는데, 여기에는 어떤 유형의 텍스트나 문자가 포함될 수있다. 이런 경우, 광학 문자 인식(OCR)을 텍스트를 기반으로 품목을 식별하는 옵션으로 사용할 수 있다. 이 텍스트는 다양한 글꼴, 크기, 심지어 도트 인쇄와 같은 인쇄 유형일 수 있다. 한편, 딥러닝에 기반한 OCR 접근 방식도 있다.
이 기능은 방향과 글꼴에 관계없이 매우 강력한 방식으로 문자를 찾는다. 문자를 자동으로 그룹화하는 기능은 전체 단어를 식별할 수있게 해주므로, 예를 들어 모양이 비슷한 문자를 잘못 해석하는 것을 방지함으로써 인식 성능을 크게 향상시킨다.
생산 공정 및 구체적인 활용 사례
반도체 생산은 웨이퍼 생산, 프런트엔드 및 백엔드 공정이라는 세가지 단계로 구성된다. 전체 공정은 여러 개별 단계로 나뉜다. 여기 에는 EUV 리소그래피, 프로버 테스트, 다이싱 및 다이, 볼 앤 와이어 본딩이 포함된다. 이 모든 공정 단계와 그 밖의 많은 공정 단계에서 머신 비전은 지원을 제공하고 결과를 크게 개선할 수 있으며, 이미 그렇게 하고 있다.
특히 두 가지 기능이 두드러진다. 첫째, 머신 비전을 사용하여 모든 구성 요소의 위치를 정확하고 안정적으로 파악할 수 있다. 둘째, 머신 비전이 정의된 표준에서 벗어난 모든 편차를 안정적으로 감지하기 때문에 품질 관리가 더욱 향상된다. 다음에서는 다양한 생산 단계를 예로 들어 설명하고, 각 단계에서 머신 비전이 제공하는 부가 가치를 설명하기로 한다.
EUV 리소그래피(Lithography), 웨이퍼에 대한 마스크의 정밀한 정렬
1X 포토 리소그래피에서 중요한 공정 단계는 원하는 구조를 제공하기 위해 마스크를 웨이퍼에 정확하게 정렬하는 것이다. 이를 위해서는 웨이퍼의 위치가 알려져야 한다. 형태 기반 매칭 방법을 사용하면 포토 마스크와 웨이퍼를 서로 정확하게 정렬할수 있으므로 오류 없는 리소그래피를 보장할 수 있다.
이 과정과 수많은 다른 과정 단계에서 또 다른 작업은 웨이퍼 라벨을 자동으로 읽는 것이다. 다른 산업과 마찬가지로 라벨링은 생산 과정에서 구성 요소를 추적하는 데 도움이 된다. 반도체 생산에서는 SEMI 글꼴이 사용된다. OCR을 사용하면 어떤 공정 매개변수가 사용되었고, 이후 단계에서 사용될지 결정할수 있다.
▲ 광학 문자 인식(OCR)은 문자를 강력하게 감지하여 웨이퍼 생산 이력을 종단 간추적할 수 있게 해준다.
프로버 테스트(Prober Testing), 초점 설정 및 회전 결정
머신 비전은 소위 포버 테스트를 지원한다. 웨이퍼의 미세한 구조 때문에 현미경이 사용된다. 일반적으로 웨이퍼의 크기 때문에 포버 테스트에 두 대의 현미경이 사용된다. 이 방법으로만 충분히 높은 해상도의 이미지를 얻을 수 있다.
대략적인 정렬이 끝나면, 웨이퍼는 매우 높은 정확도로 정밀하게 정렬되어야 한다. 작은 위치 오류도 프로브 바늘이 표적을 놓치고 웨이퍼를 파괴할 수 있다. 첫 번째 단계에서는 초점면을 결정하여 경사를 결정한다. 이를 위해 두 현미경이 이미지를 촬영 한다. 그런 다음 이 이미지를 비교한다. 두 이미지의 선명도가 같으면 웨이퍼가 올바르게 정렬된 것이다. 그렇지 않다면, 동일한 이미지 선명도가 달성될 때까지 기계가 재조정된다.
두 번째 단계에서, 기계는 웨이퍼가 평평하게 정렬되어 있는지 또는 회전하고 있는지 확인한다. 이러한 작업에는 모양 기반 매칭 방법이 사용된다. 두 카메라 위치 사이의 알려진 거리를 사용하여 좌우 이미지 사이의 축 중심을 기준으로 변위(학습된 데이터에 상대적)와 회전을 결정한 다음 수정한다.
다이싱(Dicing)
다이의 크기 조정: 다이싱은 기계적 슬라이싱 또는 레이저를 사용 하여 웨이퍼를 개별 다이(die)로 분리하는 정밀 가공 작업이다. 머신 비전은 작업자가 머신에 웨이퍼를 설치하는 작업을 지원한 다. 설치에 필요한 웨이퍼의 크기를 알아야 하므로, 웨이퍼 유형 별로 이 작업을 다시 수행해야 한다.
예를 들어, 크기 결정을 위해 고속 푸리에 변환을 사용할 수 있다. 웨이퍼의 주기적 구조를 분석하기 위해, 먼저 입력 이미지의 자기상관 계산을 더 쉽게 하기 위해 이미지를 푸리에 영역으로 변환한다. 결과 이미지에서 주기적 패턴은 국소 최대값으로 식별할 수 있다. X와 Y 방향의 국소 최대값 사이의 거리는 각각 칩의 크기를 나타낸다. 이로써 설정이 상당히 단순화되고 작동 오류의 위험이 감소한다.
칩 확인: 예를 들어, 다이를 절단할 때 가장자리에 칩핑이 발생할수 있다. 이 경우, 산업용 이미지 처리 기술이 딥러닝 방식의 이상 탐지 기능을 통해 도움을 줄 수 있다. 몇 개의 ‘양호한 이미지’만 있으면, 강력한 머신 비전 소프트웨어를 훈련시켜 다이의 손상, 즉 이상을 확실하게 감지할 수 있다.
회전: 가공 기계에서 웨이퍼를 정확하게 정렬하기 위해서는 웨이 퍼의 크기뿐만 아니라 회전 속도도 알아야 한다. 일부 반도체 제조업체의 공정에서는 이를 위해 먼저 회전 중심을 결정해야 한다. 두 연속 이미지 사이의 회전 각도와 회전 중심은 광학 흐름 필드 에서 계산할 수 있다. 회전 중심이 알려지면 머신 비전 소프트웨어 내에서 한 명의 작업자가 웨이퍼를 정확하게 정렬할 수 있다.
이렇게 결정된 회전 각도는 웨이퍼의 방향을 수정하는 데 사용될수 있다. 웨이퍼의 방향은 다이 본딩 기계가 픽 앤 플레이스 루틴을 손실 없이 수행할 수 있도록 하는 데 중요하다. 웨이퍼의 모양이 알려져 있기 때문에, 회전 지점을 기반으로 이전에 학습된 이미지와 일치하는 부분이 만들어진다. 이를 통해 회전을 결정하고 웨이퍼를 올바르게 정렬할 수 있다.
▲ ‘광학 흐름(Optical Flow)’ 방법을 사용하면 웨이퍼의 회전 중심을 정확하게 파악할수 있다.
본딩(Bonding), 완성된 칩에 이르는 수많은 개별 단계: 최종 생산 단계인 패키징 단계에서 칩은 플라스틱 하우징에 캡슐 화된다. 이를 위해 먼저 개별 다이를 하우징에 삽입한다. 그런 다음 여러 단계를 거쳐 패키지의 관련 접점에 연결한다. 여기서 와이어 본딩은 특히 중요하다. 와이어 본딩은 와이어를 패드, 즉 다이의 접촉 지점과 하우징의 리드 프레임에 연결하는 것을 포함한 다. 머신 비전은 하우징에 있는 다이를 정렬하고 본딩이 올바르게 수행되었는지 검사하는 데 특히 도움이 된다.
▲ 포장하는 동안 다이는 플라스틱 하우징에 배치되고 접점은 본딩 공정을 통해 설정된다.
다이 본딩(Die Bonding): 다이를 분리한 후에는 추가 처리를 위해 그 위치를 알아야 한다. 픽 앤 플레이스 작업, 즉 다이 본딩 기계에서 다이를 제거하는 작업에는 그리퍼 또는 로봇 시스템이 사용된다. 위치 결정에는 형태 기반 매칭 방법이 사용된다. 보정 방법을 사용하면 이미지에 있는 고정밀 위치 결정된 위치를 로봇의 좌표계로 변환하여 정확한 배치를 위해 사용할 수 있다.
다이의 위치 결정: 이 과정은 먼저 하우징 내 개별 다이의 위치를 결정하는 과정으로 이루어져 있다. 이 과정에도 형태 기반 매칭 방법이 적합하다. 다른 과정 단계에서 설명한 것처럼, 다이의 모델은 예를 들어 CAD 데이터를 통해 학습된다. 학습된 데이터와 원본 이미지를 비교하여 다이를 찾는다. 보정 데이터를 변환하여 다이의 정확한 위치를 와이어 본더에 전송한다.
다이 본딩 제어: 하우징에 다이를 넣을 때 특수 접착제가 사용된다. 접착 과정에서 기포가 생기는 등 결함이 발생할 수 있다. 이 경우에도 머신 비전이 도움을 줄 수 있다. 딥러닝 방식의 이상 감지 기능을 사용하면, 몇 개의 양호한 이미지를 학습시킨 후 결함을 빠르고 안정적으로 발견할 수 있다. 또한, 다양한 칩 유형을 학습시킬 수도 있다. 이 경우, 새로운 칩 유형이 나올 때마다 기계를 다시 조정할 필요가 없기 때문에 생산 공정이 훨씬 더 효율적으로 진행될 수 있다.
본딩 패드 확인: 패키지에 삽입한 후, 일부 칩 유형의 경우 다이에 있는 패드의 결함을 검사해야 한다. 또한, 패드의 정확한 위치가 결정된다. 이를 위해, 카메라는 다이 가장자리를 따라 시계 방향 으로 움직여 패드를 개별적으로 식별하고 확인한다. 각 이미지에서 보이는 패드의 수가 결정되고, 서브 픽셀 단위의 가장자리 추출기가 각 패드의 크기와 위치를 결정하는 데 사용된다.
▲ 서브 픽셀 에지 감지를 사용하여 칩의 접촉점(패드)을 고정밀도로 측정한다.
와이어 본드 검사: 와이어 본딩 후, 광학 검사를 통해 접촉점의 결함을 검사한다. 결함의 예로는, 패드 위의 와이어 접촉점이 충분히 크지 않거나, 절단 길이가 충분히 길지 않거나, 본딩 과정에서 잘못된 압력이 가해졌을 수 있다. 검사하는 동안, 패드는 먼저 이미 지에 위치한다.
이것은 관련 영역을 좁히는 첫 번째 단계이다. 그런 다음, 머신 비전 분할 방법을 사용하여 이미지에서 전선을 찾는다. 이 두 가지 정보를 바탕으로 최소한의 겹침이 달성되었는지 여부를 판단할 수 있다. 이와 유사한 방식으로 전선이 리드 프레임의 관련 접촉 영역에 연결되어 있는지 여부를 확인할 수 있다.
▲ 패드와 와이어 사이의 최적 접촉 상태에 대한 품질 검사.
볼 본드(Ball Bond) 검사: 다음 예는 다른 본딩 방법인 볼 본딩 후의 광학 검사를 보여준다. 다시 한 번, 패드가 먼저 추출된다. 그런 다음, 패드 영역 내에서 볼 본드를 검색한다. 가장자리에 너무 가까운 볼본드나 본드가 없는 패드에 대해서는 오류 메시지가 표시된다.
▲ ‘Depth from Focus’ 방법을 사용하여 전선의 경로를 확인할 수 있다.
와이어(Wire) 검사: 접착 후, 와이어 또는 볼 접착 방법을 사용하 든, 와이어를 검사해야 한다. 와이어 접착 후 와이어를 검사하는 것은 어려운 조명 조건때문에 큰 도전 과제이다. 그러나, 머신 비전 소프트웨어를 사용하면 와이어의 궤적을 확실하게 검사할 수있다. 먼저, 블롭 분석을 사용하여 와이어의 시작점과 끝점을 추출한다.
그런 다음, ‘관심 영역’을 이 점들 사이의 영역으로 축소한 다. 마지막으로, 정교한 라인 감지 알고리즘을 통해 와이어를 감지할 수 있다. 여기서 전선이 거의 보이지 않는 어두운 영역을 확인할 수도 있다. 또한, 전선의 3D 궤적을 확인해야 한다. 구체적으로, 각 전선이 지정된 3차원 통로에 있는지 여부를 확인해야 한다. 이를 위해, 초점으로부터의 깊이(DFF) 방법이 사용된다.
자료제공: MVTec(www.mvtec.com)
