반도체 AOI 도입 기준 — 광학·과검·미검·AI PoC 실무 검토

반도체 AOI의 성능은 AI 모델 이름보다 무엇을 불량으로 정의하고 어떤 광학 조건에서 안정적으로 보이게 만들 것인가에 더 크게 좌우됩니다. 현장에서는 정확도 한 줄보다 과검(양품을 불량으로 판정)과 미검(불량을 양품으로 통과)의 비용을 분리해 관리해야 합니다.

1. 첫 단계는 결함 Spec과 판정 기준의 수치화다

Crack, Chipping, Foreign Material, Scratch, Pattern Defect처럼 결함 유형을 구분하고 최소 검출 크기, 허용 위치, 판정 등급을 정의해야 합니다. 고객 검사원이 육안으로 판단하는 기준만 있고 수치 기준이 없다면 AI 학습 이전에 Labeling 기준부터 흔들릴 수 있습니다.

양품 Variation도 함께 수집해야 합니다. 공정상 허용되는 색상·질감·패턴 차이를 불량 데이터와 구분하지 않으면 과검이 증가합니다.

2. 카메라보다 조명·렌즈·FOV가 먼저다

검출 가능한 최소 결함 크기를 기준으로 필요한 Pixel Resolution을 계산하고, 그 다음 FOV와 카메라 해상도를 선정해야 합니다. 반사 표면에서는 동축광, 저각광, 돔 조명, 편광 등 조명 조건을 비교 시험해야 하며, 초점 심도가 부족하면 텔레센트릭 렌즈나 3D 방식 검토가 필요할 수 있습니다.

광학적으로 보이지 않는 결함을 AI로 해결하려는 접근은 성공 가능성이 낮습니다. 따라서 Sample Test에서 조명 조건별 이미지 분리도가 확보되는지 먼저 확인해야 합니다.

3. Rule 기반과 AI는 경쟁 관계가 아니라 역할 분담 관계다

치수, 위치, 존재 유무처럼 기준이 명확한 항목은 Rule 기반 알고리즘이 설명 가능성과 유지보수 측면에서 유리합니다. 반대로 비정형 질감, 복잡한 배경, 양품 Variation이 큰 항목은 Classification, Detection, Segmentation, Anomaly Detection 같은 AI 방식이 유효할 수 있습니다.

실무에서는 하나의 모델로 모든 검사를 처리하기보다 정렬 → Rule 검사 → AI 판정 → 최종 판정 구조로 분리하는 것이 디버깅과 성능 관리에 유리합니다.

4. PoC에서는 Accuracy보다 Confusion Matrix를 본다

PoC 데이터는 학습용과 검증용을 분리하고 동일 제품 이미지가 양쪽에 중복되지 않도록 관리해야 합니다. 검증 결과는 전체 정확도뿐 아니라 TP, TN, FP, FN을 기준으로 과검률과 미검률을 따로 봐야 합니다.

특히 실제 양산에서 빈도가 낮은 치명 불량은 전체 Accuracy에 가려질 수 있으므로 결함별 Recall과 검출 실패 사례를 별도로 검토해야 합니다. 필요한 성능 수준은 고객 품질 기준과 후공정 리스크를 기준으로 합의해야 하며 임의의 개선률을 제시해서는 안 됩니다.

5. Cycle Time과 PLC/MES 연동까지 포함해야 AOI 설비가 된다

검사 Cycle은 Trigger, Exposure, Image Transfer, Processing, 판정 전송, NG 배출까지 포함해 계산해야 합니다. 다중 카메라 사용 시 동기화와 Buffer 구조도 중요합니다.

PLC 인터페이스에는 Ready, Trigger, Busy, Result, Error, Reset, Recipe ID 등 Handshake 신호를 정의하고, MES에는 제품 ID·판정·결함코드·이미지 저장 경로·시간정보를 어떤 수준까지 기록할지 결정해야 합니다.

아진네트웍스는 반도체 및 정밀 제조 비전검사를 결함 정의 → 광학 시험 → 알고리즘 선정 → PoC → Cycle 검증 → PLC/MES 연동 → FAT/SAT 순으로 접근합니다. 실제 검출 성능은 반드시 고객 Sample과 양산 조건에서 검증해야 합니다.

상위 Pillar · 기술검토

2D·3D 머신비전 검사 선정 기준에서 광학·FOV·해상도·3D 적용 기준을 확인할 수 있습니다. RFQ에는 실제 불량 Sample, 최소 결함 크기, FOV, 목표 Cycle, 허용 과검/미검 기준을 포함하는 것이 좋습니다.