[go: up one dir, main page]

WO2019164382A1 - 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 - Google Patents

부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 Download PDF

Info

Publication number
WO2019164382A1
WO2019164382A1 PCT/KR2019/002330 KR2019002330W WO2019164382A1 WO 2019164382 A1 WO2019164382 A1 WO 2019164382A1 KR 2019002330 W KR2019002330 W KR 2019002330W WO 2019164382 A1 WO2019164382 A1 WO 2019164382A1
Authority
WO
WIPO (PCT)
Prior art keywords
depth information
component
machine
based model
light sources
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2019/002330
Other languages
English (en)
French (fr)
Inventor
이세린
강진만
정중기
손정호
윤민철
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koh Young Technology Inc
Original Assignee
Koh Young Technology Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koh Young Technology Inc filed Critical Koh Young Technology Inc
Priority to EP19756511.2A priority Critical patent/EP3761772B1/en
Priority to KR1020237035082A priority patent/KR102716521B1/ko
Priority to KR1020207024788A priority patent/KR102473547B1/ko
Priority to KR1020227041178A priority patent/KR20220163513A/ko
Priority to US16/976,006 priority patent/US11328407B2/en
Priority to CN201980015619.0A priority patent/CN111788883B/zh
Publication of WO2019164382A1 publication Critical patent/WO2019164382A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0817—Monitoring of soldering processes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/2509—Color coding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95684—Patterns showing highly reflecting parts, e.g. metallic elements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/586—Depth or shape recovery from multiple images from multiple light sources, e.g. photometric stereo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0815—Controlling of component placement on the substrate during or after manufacturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/081—Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines

Definitions

  • the present disclosure relates to a method for inspecting a mounting state of a component, a printed circuit board inspection apparatus, and a computer readable recording medium.
  • a screen printer prints solder pastes on a printed circuit board, and a mounter mounts components on a printed circuit board on which solder pastes are printed. do.
  • SMT Surface Mounter Technology
  • AOI Automated Optical Inspection
  • the AOI device uses the captured image of the printed circuit board to check whether the components are normally mounted on the printed circuit board without dislocation, lifting or tilting.
  • noise may occur in the multiple reflection of light irradiated onto the printed circuit board or in the process of processing the received light by the image sensor. That is, optical noise and signal noise may be variously generated. If the noise generated in this manner is not reduced, the quality of the printed circuit board captured image generated by the AOI device may be degraded. When the quality of the printed circuit board picked-up image is degraded, the inspection of the mounting state of the components mounted on the printed circuit board using the printed circuit board picked-up image may not be performed correctly.
  • the present disclosure may provide a printed circuit board inspection apparatus that inspects a mounting state of a component by using depth information of a component having reduced noise obtained based on depth information of the component.
  • the present disclosure provides a computer readable recording medium having a program recorded thereon, the program including executable instructions for inspecting a part's mounting state using depth information on a part having reduced noise obtained based on depth information on the part. Can provide.
  • the present disclosure may provide a method of inspecting a mounted state of a part by using depth information about a part having reduced noise obtained based on depth information about the part.
  • the first depth information of the first object is generated using the image sensor for receiving the pattern light reflected from the first object of the pattern light irradiated from the plurality of second light sources, the first noise is reduced
  • a memory and a processor storing a machine-learning based model for outputting depth information, the processor using the patterned light reflected from the component received by the image sensor to obtain second depth information on the component.
  • the mounting state of the component may be inspected using the second depth information obtained from the half model and the noise reduced.
  • the machine-learning based model may include a plurality of third depth information and a plurality of depth information of the second object generated using pattern light reflected from a second object among pattern light emitted from the plurality of second light sources. Learn to output third depth information with reduced noise by using fourth depth information of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the third light source of When the first depth information is input, based on the learning result, the first depth information with reduced noise may be output.
  • the number of the plurality of second light sources may be equal to the number of the plurality of first light sources, and the number of the plurality of third light sources may be greater than the number of the plurality of first light sources.
  • the machine-learning based model may include a Convolution Neural Network (CNN) or a Generic Adversarial Network (GAN).
  • CNN Convolution Neural Network
  • GAN Generic Adversarial Network
  • the processor may generate a three-dimensional image of the second component by using the second depth information with the noise reduced, and by using the three-dimensional image of the second component.
  • the mounting state of parts can be inspected.
  • the machine-learning based model may output the first depth information with reduced noise by using the visibility information when the visibility information about the first object is further input. Can be.
  • the machine-learning based model may further include third depth information of the second object generated using pattern light reflected from a second object among pattern light emitted from the second light sources. Visibility information for the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources and the second of the pattern light emitted from the plurality of third light sources Trained to output the third depth information with reduced noise, using fourth depth information on the second object generated using the pattern light reflected from the object, and based on the learning result, When depth information and visibility information about a component are input, the first depth information with reduced noise may be output.
  • the processor generates viability information for the part using the patterned light reflected from the part received by the image sensor and machine-learning the viability information for the part. You can enter more in the base model.
  • a memory and a processor storing a machine-learning based model configured to generate first depth information of the first object based on a plurality of depth information and to output the first depth information with reduced noise
  • the processor includes: Generate a plurality of depth information for the part using the patterned light reflected from the part received by the image sensor, and the part Inputs a plurality of depth information about the to the machine-learning based model, obtains second noise information with reduced noise from the machine-learning based model, and wherein the second depth information is a plurality of depth information about the part. Generated by the machine-learning based model based on the second depth information, in which the noise is reduced, to check the mounting state of the component.
  • the machine-learning based model may include a plurality of depth information of the second object generated by using pattern light reflected from a second object among pattern light emitted from the plurality of second light sources. Generates third depth information on the second object and is generated using pattern light reflected from the second object among the third depth information and the pattern light irradiated from the plurality of third light sources.
  • the third depth information is reduced by using the fourth depth information on the second object and is learned, and based on the learning result, a plurality of depth information about the first object is input.
  • the first depth information may be generated, and the first depth information in which the noise is reduced may be output.
  • the number of the plurality of second light sources may be equal to the number of the plurality of first light sources, and the number of the plurality of third light sources may be greater than the number of the plurality of first light sources.
  • a non-transitory computer readable recording medium having recorded thereon a program for performing on a computer, wherein the program, when executed by a processor, the pattern light is irradiated to the component mounted on the printed circuit board by the processor Controlling a plurality of first light sources so as to generate first depth information for the part using the patterned light reflected from the part received by the image sensor, and machine-learning the first depth information.
  • the machine-learning based model includes: from the first object of the pattern light emitted from the plurality of second light sources When first depth information about the first object generated using the reflected pattern light is input, the first depth information with reduced noise may be output.
  • the machine-learning based model may include third depth information of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources. And third depth information of which noise is reduced, using fourth depth information of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of third light sources.
  • the first depth information is input based on the learning result, the first depth information with reduced noise may be output.
  • the number of the plurality of second light sources may be equal to the number of the plurality of first light sources, and the number of the plurality of third light sources may be greater than the number of the plurality of first light sources.
  • the machine-learning based model may include a Convolution Neural Network (CNN) or a Generic Adversarial Network (GAN).
  • CNN Convolution Neural Network
  • GAN Generic Adversarial Network
  • the executable instruction may further include: generating, by the processor, a three-dimensional image of the second component using the second depth information with the noise reduced and for the second component; By using the three-dimensional image, the step of inspecting the mounting state of the component can be further performed.
  • the machine-learning based model if the machine-learning based model further inputs visibility information on the first object, the machine-learning based model outputs the first depth information with reduced noise, using the visibility information. can do.
  • the executable instruction further comprises the steps of: the processor generating visibility information for the component using the patterned light reflected from the component received by the image sensor and for the component;
  • the method may further include further inputting the visibility information into the machine-learning based model.
  • a method of inspecting a mounting state of a component includes controlling a plurality of first light sources so that pattern light is irradiated onto a component mounted on a printed circuit board, and an image Generating first depth information for the part using the patterned light reflected from the part received by the sensor, inputting the first depth information to a machine-learning based model, the noise reduced Acquiring first depth information from the machine-learning based model and checking the mounting state of the component using the first depth information with reduced noise, wherein the machine-learning based model includes: First depth information regarding the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of second light sources is input. , May output the first depth information, the noise is reduced.
  • the machine-learning based model may further include a first method for the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources.
  • a third noise is reduced by using fourth depth information of the second object generated by using the pattern light reflected from the second object among the depth information and the pattern light emitted from the plurality of third light sources.
  • an apparatus for inspecting a printed circuit board may reduce depth in depth information of a part by processing depth information about the part through a machine-learning based model, and reduce the depth of the part where the noise is reduced.
  • the information can be used to inspect the mounting state of components mounted on a printed circuit board.
  • the printed circuit board inspection apparatus uses a machine-learning-based model to remove noise, such as unreceived or peak signals, from the depth information on the part, even if a relatively small number of image data is acquired to generate depth information.
  • the depth information of the part may be generated using a machine-learning based model to restore the lost shape.
  • the apparatus for inspecting a printed circuit board may detect the three-dimensional sharpness of the corners of the parts as much as possible without performing the restoration of the joint shape of the parts without additionally damaging the measured foreign material shape.
  • noise is reduced in the depth information of the component, and the component is more accurately mounted on the printed circuit board by performing the shape restoration to the level as close as possible to the shape of the actual component and the solder paste. You can check the status.
  • FIG. 1 illustrates a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • FIG. 2 is a block diagram of an apparatus for inspecting a printed circuit board according to various embodiments of the present disclosure.
  • FIG. 3 is a flowchart of a method of inspecting a mounting state of components by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • 4A through 4C are conceptual views illustrating a method of learning a machine-learning based model according to various embodiments of the present disclosure.
  • 5A through 5C are conceptual diagrams for describing an operation of a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 6 is a conceptual diagram illustrating a learning method of a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 7 is a diagram for describing a method of obtaining depth information used for learning a machine-learning based model according to various embodiments of the present disclosure.
  • FIG. 8 illustrates an image of a component generated using depth information with reduced noise by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • Embodiments of the present disclosure are illustrated for the purpose of describing the technical spirit of the present disclosure.
  • the scope of the present disclosure is not limited to the embodiments set forth below or the detailed description of these embodiments.
  • the term “unit” refers to software or a hardware component such as a field-programmable gate array (FPGA) or an application specific integrated circuit (ASIC).
  • “part” is not limited to hardware and software.
  • the “unit” may be configured to be in an addressable storage medium, and may be configured to play one or more processors.
  • “parts” means components such as software components, object-oriented software components, class components, and task components, processors, functions, properties, procedures, subroutines, It includes segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. Functions provided within a component and "part” may be combined into a smaller number of components and “parts” or further separated into additional components and “parts”.
  • the expression “based on” is used to describe one or more factors that affect the behavior or behavior of a decision, judgment, described in a phrase or sentence that includes the expression, which expression Does not exclude additional factors that affect decisions, actions of behaviour, or actions.
  • a component when referred to as being "connected” or “connected” to another component, the component may be directly connected to or connected to the other component, or new It is to be understood that the connection may be made or may be connected via other components.
  • FIG. 1 illustrates a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 may inspect a mounting state of at least one component mounted on the printed circuit board 110.
  • the transfer unit 120 may move the printed circuit board 110 to a preset position to inspect the mounting state of the component.
  • the transfer unit 120 moves the completed inspection of the printed circuit board 110 to move away from the preset position, and moves the other printed circuit board 111 in advance. It can be moved to a set printed circuit board.
  • the printed circuit board inspection apparatus 100 may include a first light source 101, an image sensor 102, and a frame 103.
  • the first light source 101 and the image sensor 102 may be fixed to the frame 103.
  • the number and arrangement state of each of the first light source 101, the image sensor 102, and the frame 103 illustrated in FIG. 1 are for illustrative purposes only and are not limited thereto.
  • one first light source 101 is disposed at the position of the image sensor 102 shown in FIG. 1, and a plurality of image sensors are disposed at the position of the first light source 101 shown in FIG. 1.
  • the first light source 101 and the image sensor 102 may be arranged in various directions and angles through the plurality of frames 103.
  • the first light source 101 may irradiate the patterned light to the printed circuit board 110 moved to a preset position to inspect the mounting state of the component.
  • the first light sources 101 may be arranged to have different irradiation directions, different irradiation angles, and the like.
  • pitch intervals of the pattern light irradiated from the first light sources 101 may be different from each other.
  • the patterned light may be light having a pattern having a constant period, which is irradiated to measure a three-dimensional shape for the printed circuit board 110.
  • the first light source 101 has a pattern light in which the brightness of the stripe has a sine wave shape, an on-off pattern light or a change in brightness in which the bright and dark parts are repeatedly displayed. Triangular wave pattern light or the like that is a triangular waveform can be irradiated. However, this is only for the purpose of explanation and the present invention is not limited thereto, and the first light source 101 may irradiate light including various types of patterns in which the change in brightness is repeated with a certain period.
  • the image sensor 102 may receive patterned light reflected from the printed circuit board 110 and components mounted on the printed circuit board 110.
  • the first image sensor 102 may generate image data using the received pattern light.
  • FIG. 2 is a block diagram of an apparatus for inspecting a printed circuit board according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 may include a first light source 210, an image sensor 220, a memory 230, and a processor 240.
  • the printed circuit board inspection apparatus 100 may further include a communication circuit 250.
  • Each component included in the printed circuit board inspection apparatus 100 may be electrically connected to each other to transmit and receive signals, data, and the like.
  • the printed circuit board inspection apparatus 100 may include a plurality of first light sources 210.
  • the first light source 210 may irradiate pattern light onto an inspection object (eg, a printed circuit board).
  • the first light source 210 may irradiate the pattern light to the entire inspection object or irradiate the pattern light to an object (eg, a component mounted on a printed circuit board) included in the inspection object.
  • the first light source 210 will be described based on patterned light on a component mounted on a printed circuit board, but the present invention is not limited thereto, and the first light source 210 includes the entire printed circuit board to be inspected.
  • the patterned light may be irradiated to one region of the printed circuit board including at least one component mounted on the printed circuit board.
  • the first light source 210 may include a light source (not shown), a grating (not shown), a grating transfer device (not shown), and a projection lens unit (not shown).
  • the grating may convert light irradiated from the light source into pattern light.
  • the grating may be conveyed through a grating transfer mechanism such as, for example, a piezo actuator (PZT) to generate phase shifted pattern light.
  • the projection lens unit may cause the pattern light generated by the grating to be irradiated to the component mounted on the printed circuit board, which is an object included in the inspection object.
  • the first light source 210 is a printed circuit that is an object included in the inspection target by forming pattern light through various methods such as liquid crystal display (LCD), digital light processing (DLP), liquid crystal on silicon (LCOS), and the like.
  • LCD liquid crystal display
  • DLP digital light processing
  • LCOS liquid crystal on silicon
  • the components mounted on the substrate can be irradiated.
  • the image sensor 220 may receive patterned light reflected from the component.
  • the image sensor 220 may receive pattern light reflected from the component to generate image data of the component.
  • the image sensor 220 may transmit image data about the generated part to the processor 240.
  • the memory 230 may store instructions or data related to at least one other component of the printed circuit board inspection apparatus 100.
  • the memory 230 may store software and / or a program.
  • the memory 230 may include an internal memory or an external memory.
  • the internal memory may include at least one of volatile memory (eg, DRAM, SRAM, or SDRAM), and nonvolatile memory (eg, flash memory, hard drive, or solid state drive (SSD)).
  • the external memory may be functionally or physically connected to the printed circuit board inspection apparatus 100 through various interfaces.
  • the memory 230 may store instructions for operating the processor 240.
  • the memory 230 may store instructions for allowing the processor 240 to control other components of the printed circuit board inspection apparatus 100 and to interoperate with an external electronic device or a server.
  • the processor 240 may control other components of the printed circuit board inspection apparatus 100 based on the instructions stored in the memory 230, and interwork with an external electronic device or a server.
  • the operation of the printed circuit board inspection apparatus 100 will mainly be described with each component of the printed circuit board inspection apparatus 100.
  • instructions for performing an operation by each component may be stored in the memory 230.
  • memory 230 may store a machine-learning based model.
  • the machine-learning based model may receive first depth information about the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of second light sources.
  • the first depth information may include at least one of a shape, color information for each pixel, brightness information, and a height value.
  • the plurality of second light sources and the plurality of first light sources 210 may be the same or different.
  • the plurality of second light sources differ from the plurality of first light sources 210
  • the number of the plurality of second light sources may be the same as the number of the plurality of first light sources 210.
  • the arrangement positions of the plurality of second light sources in the other printed circuit board inspection apparatus may include the plurality of first light sources in the printed circuit board inspection apparatus 100. May correspond to the placement position.
  • the machine-learning based model may output the first depth information with reduced noise.
  • the first depth information generated using the pattern light reflected from the first object may generate noise in the process of processing the received light by multiple reflection of the pattern light irradiated on the first object or the image sensor.
  • the noise may be a portion of the first depth information that is determined not to correspond to the shape of the first object or to be not related to the first object.
  • the machine-learning based model may be trained to output first depth information with reduced noise in order to improve the quality of the image for the first object, for example the three-dimensional image for the first object.
  • Machine-learning-based models may include a Convolutional Neural Network (CNN), a Generic Adversarial Network (GAN), and the like.
  • the machine-learning based model may be stored in a memory of an external electronic device or a server interworked with the printed circuit board inspection apparatus 100 by wire or wirelessly.
  • the printed circuit board inspection apparatus 100 may transmit / receive information with an external electronic device or a server linked with a wire or wirelessly to reduce noise of the first depth information.
  • the processor 240 may drive an operating system or an application program to control at least one other component of the printed circuit board inspection apparatus 100, and may perform various data processing and calculations.
  • the processor 240 may include a central processing unit or the like, and may also be implemented as a system on chip (SoC).
  • SoC system on chip
  • the communication circuit 250 may communicate with an external electronic device or an external server.
  • the communication circuit 250 may establish communication between the printed circuit board inspection apparatus 100 and the external electronic device.
  • the communication circuit 250 may be connected to a network through wireless or wired communication to communicate with an external electronic device or an external server.
  • the communication circuit 250 may be connected to the external electronic device by wire to perform communication.
  • Wireless communication includes, for example, cellular communication (eg, LTE, LTE Advance (LTE-A), Code Division Multiple Access (CDMA), Wideband CDMA (WCDMA), Universal Mobile Telecommunications System (UMTS), and Wireless Broadband (WiBro). And the like).
  • the wireless communication may include short-range wireless communication (eg, wireless fidelity (WiFi), light fidelity (LiFi), Bluetooth, Bluetooth low power (BLE), Zigbee, Near Field Communication (NFC), etc.).
  • WiFi wireless fidelity
  • LiFi light fidelity
  • BLE Bluetooth low power
  • NFC Near Field Communication
  • the processor 240 may generate second depth information for the component using the patterned light reflected from the component mounted on the printed circuit board received by the image sensor 220.
  • the processor 240 may generate second depth information about the component using an image of the component generated by using pattern light reflected from the component generated by the image sensor 220.
  • the image sensor 220 transmits the information about the patterned light to the processor 240, the processor 240 generates an image of the part, and uses the image of the part to generate a part of the part. 2 Depth information may be generated.
  • the processor 240 may generate the second depth information on the part by applying an optical triangular method or a bucket algorithm to the image of the part.
  • this is only for the purpose of description and the present invention is not limited thereto, and the second depth information of the component may be generated through various methods.
  • the processor 240 may input the second depth information into the machine-learning based model.
  • the processor 240 may directly input the second depth information to the machine-learning based model.
  • the processor 240 may control the communication circuit 250 to transmit the second depth information to the external electronic device or the external server. have.
  • processor 240 may obtain second depth information with reduced noise from a machine-learning based model.
  • the processor 240 may obtain second depth information with reduced noise directly from the machine-learning based model.
  • the processor 240 may receive the second depth information with reduced noise from the external electronic device or the external server through the communication circuit 250. Can be obtained.
  • the processor 240 may check the mounting state of the component mounted on the printed circuit board using the second depth information with reduced noise. For example, the processor 240 may generate a 3D image of the component by using the second depth information with reduced noise. In addition, the processor 240 may inspect the mounting state of the component using a 3D image of the generated component. For example, the processor 240 may use a three-dimensional image of a part to determine whether the part is mounted at a predetermined position, whether the part is mounted in a preset direction, and at least a part of the part is tilted and mounted. The mounting status of the part can be inspected by checking whether there is a foreign object in the part or not.
  • the machine-learning based model may output first depth information with reduced noise using the visibility information.
  • the visibility information is information representing a degree of noise, and the machine-learning based model may use the visibility information to more effectively reduce noise in the first depth information.
  • the processor 240 may generate visibility information about the component using the patterned light reflected from the component received by the image sensor 220.
  • the visibility information represents the ratio of the amplitude B i (x, y) to the average brightness A i (x, y) in the brightness signal of the image data, and generally increases as the reflectance increases.
  • V i (x, y) can be expressed by equation (1).
  • pattern light from each of the plurality of first light sources 210 may be irradiated onto the printed circuit board in various directions to generate a plurality of image data for the component by the image sensor 220 or the processor 240.
  • the processor 240 generates N brightness degrees I i 1, I i 2, ..., I i N at each position i (x, y) of the XY coordinate system from the generated plurality of image data.
  • the average brightness A i (x, y) can be calculated using the amplitude Bi (x, y) and the N-bucket algorithm.
  • Processor 240 may generate the amplitude (B i (x, y)) and the mean brightness (A i (x, y)) by, Visionary Stability information (V i (x, y)) using a calculation .
  • the processor 240 may further input visibility information on the generated part into the machine-learning based model.
  • the machine-learning based model may receive a plurality of depth information about the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of second light sources. Since each of the plurality of second light sources irradiates the pattern light to the first object, and the pattern light irradiated by each of the plurality of second light sources is reflected from the first object and received by the image sensor, the plurality of depth information about the first object. Can be generated.
  • the machine-learning based model may generate first depth information about the first object based on the plurality of depth information and output first depth information with reduced noise.
  • first depth information may be generated based on the plurality of depth information about the first object as representative depth information about the first object.
  • the processor 240 may use the patterned light reflected from the component received by the image sensor 220 to generate a plurality of depth information about the component. Since each of the plurality of first light sources irradiates the pattern light onto the part, and the pattern light irradiated by each of the plurality of first light sources is reflected from the part and received by the image sensor 220, a plurality of depth information about the part may be generated. Can be.
  • the processor 240 may input a plurality of depth information about the component into the machine-learning based model.
  • each of the plurality of first light sources 210 radiates pattern light to a component mounted on a printed circuit board, and the image sensor 220 uses the pattern light reflected from the component to generate a plurality of image data about the component. Can be generated.
  • the image sensor 220 may transfer a plurality of image data to the processor 240.
  • the processor 240 may generate a plurality of depth information about the component by using the plurality of image data.
  • processor 240 may obtain second depth information with reduced noise from a machine-learning based model.
  • the second depth information may be generated by the machine-learning based model based on the plurality of depth information for the part.
  • the second depth information may be generated based on the plurality of depth information about the part as the representative depth information about the part.
  • the machine-learning based model may receive a plurality of image data for the first object generated using the pattern light reflected from the first object among the pattern light emitted from the plurality of second light sources.
  • the machine-learning based model may generate first depth information on the first object and output first depth information with reduced noise using the plurality of image data.
  • a detailed method of learning to generate the first depth information and outputting the first depth information with reduced noise may be described. It will be described later.
  • the processor 240 may input a plurality of image data for the component generated using the patterned light reflected from the component received by the image sensor 220 into the machine-learning based model.
  • the processor 240 may generate a plurality of image data of the part by using the information on the pattern light reflected from the part received by the image sensor 220, and may generate the plurality of image data of the machine. It can also be entered into a learning-based model.
  • the processor 240 may obtain the first depth information with reduced noise from the machine-learning based model.
  • the second depth information may be generated by the machine-learning based model based on the plurality of image data.
  • FIG. 3 is a flowchart of a method of inspecting a mounting state of components by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the apparatus 100 for inspecting printed circuit boards may irradiate patterned light onto a component mounted on the printed circuit board.
  • the processor of the printed circuit board inspection apparatus 100 may control the plurality of first light sources such that pattern light is irradiated to each of the plurality of components mounted on the printed circuit board as the inspection target.
  • the printed circuit board inspection apparatus 100 may receive pattern light reflected from the component, and generate second depth information on the component using the patterned light.
  • the first image sensor may generate an image of the part using the patterned light reflected from the part, and transmit the image of the generated part to the processor.
  • the processor may generate second depth information about the part using the image of the part received from the first image sensor.
  • the printed circuit board inspection apparatus 100 may input the second depth information into the machine-learning based model.
  • the processor may directly input the second depth information to the machine-learning based model.
  • the processor may control the communication circuit to transmit the second depth information to the external electronic device or the external server.
  • the printed circuit board inspection apparatus 100 may obtain second depth information with reduced noise from the machine-learning based model.
  • the processor may obtain second depth information with reduced noise directly from the machine-learning based model.
  • the processor may obtain second depth information with reduced noise through a communication circuit from the external electronic device or an external server.
  • the apparatus for inspecting a printed circuit board may inspect the mounting state of the component using the second depth information with reduced noise.
  • the processor may generate a 3D image of the component using the second depth information with reduced noise.
  • the processor may inspect the mounting state of the component using a 3D image of the generated component.
  • 4A through 4C are conceptual views illustrating a method of learning a machine-learning based model according to various embodiments of the present disclosure.
  • the machine-learning based model 410 may include third depth information 411 of a second object generated using pattern light reflected from a second object among pattern light emitted from the plurality of second light sources. And third depth information with reduced noise by using the fourth depth information 412 for the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of third light sources. Can be learned to output 413.
  • the machine-learning based model 410 has first depth information for a first object different from the second object used for learning, based on a result of learning to output the third depth information 413 with reduced noise. Even if it is input, the first depth information with reduced noise may be output.
  • the third depth information 411 and the fourth depth information 412 may be input to the machine-learning based model 410 for learning.
  • the number of the plurality of third light sources that irradiate the pattern light used to generate the fourth depth information 412 is greater than the number of the plurality of first light sources, and is equal to the number of the plurality of first light sources.
  • the branches may be larger than the number of the plurality of second light sources. Since the number of the plurality of third light sources is greater than the number of the plurality of second light sources, the number of the plurality of images for the second object used in generating the fourth depth information 412 may determine the third depth information 411. It may be larger than the number of the plurality of images for the second object used in the creation.
  • all of the plurality of images of the second object used in generating the fourth depth information 412 are images of the second object. However, the images may be different from each other.
  • all the plurality of images of the second object used in generating the third depth information 411 are all second objects. May be an image for or different images from each other.
  • the plurality of fourth light sources may have at least one irradiation direction, at least one irradiation angle, and at least one different from the plurality of third light sources.
  • Light may be irradiated to the second object at pitch intervals and the like.
  • the number of the plurality of images for the second object used in generating the fourth depth information 412 is greater than the number of the plurality of images for the second object used in generating the third depth information 411.
  • the fourth depth information 412 generated through this may generate relatively less noise than the third depth information 411. Accordingly, the shape of the object measured through the depth information generated using a large number of light sources is closer to the actual shape of the object than the shape of the object measured through the depth information generated using a small number of light sources. can do.
  • the fourth depth information 412 since the fourth depth information 412 generates relatively less noise than the third depth information 411, the fourth depth information 412 is determined by the machine-learning based model 410. In order to reduce the noise in the information 411, the third depth information 411 may be used as the reference depth information in the process of being trained to detect the noise in the third depth information 411.
  • the machine-learning based model 410 may be trained to transform the third depth information 411 to converge on the fourth depth information 412.
  • the third depth information 411 converted to converge to the fourth depth information 412 is referred to as transform depth information.
  • the machine-learning based model 410 may compare the transform depth information and the fourth depth information 412.
  • the machine-learning based model 410 may adjust a parameter for transforming the third depth information 411 based on the comparison result.
  • the machine-learning based model 410 repeats the above process, so that the third depth information 411 can be converged to the fourth depth information 412 so that the parameters for the conversion of the third depth information 411 can be obtained. You can decide.
  • the machine-learning based model 410 may be trained to convert the third depth information 411 to converge on the fourth depth information 412.
  • the machine-learning based model 410 may be trained to output transform depth information as third depth information 414 with reduced noise.
  • the machine-learning based model 410 is trained to transform the third depth information 411 to converge on the fourth depth information 412, so that the number of images for the objects available in generating the depth information is relative. Even if it is insufficient, the shape of the object can be measured more accurately.
  • the machine-learning based model 410 may be trained to detect noise in the third depth information 411.
  • the machine-learning based model 410 may be trained to detect noise in the third depth information 411 and output the third depth information 414 with reduced noise by reducing the detected noise. .
  • the machine-learning based model 410 may be trained to detect the first portion determined as noise in the third depth information 411 by comparing the transform depth information with the third depth information 411. .
  • the machine-learning based model 410 may be trained to detect a portion where a difference between the transform depth information and the third depth information 411 is greater than or equal to a preset threshold as the first portion.
  • the machine-learning based model 410 may be trained to output the third depth information 413 with reduced noise by reducing the noise detected in the third depth information 411.
  • the machine-learning based model 420 may include the pattern light reflected from the second object among the third depth information 411, the fourth depth information 412, and the pattern light emitted from the plurality of second light sources. Using the visibility information 421 for the second object generated using, the third depth information 422 with reduced noise may be output.
  • the machine-learning based model 420 may generate first depth information for the first object different from the second object used for the training, based on the result of the training to output the third depth information 413 with reduced noise and Even if the visibility information about the first object is input, the first depth information with reduced noise may be output.
  • the third depth information 411, the fourth depth information 412, and the visibility information 421 may be input to the machine-learning based model 420.
  • the machine-learning based model 420 may be trained to adjust the transform depth information using the visibility information 421 to more accurately represent the shape of the second object.
  • the visibility information 421 is information indicating the degree of noise generated in the third depth information 411 which is depth information on the second object, and indicates whether the third depth information 411 is a good measurement value. Can be.
  • the machine-learning based model 420 may be trained to determine whether there is a second portion of the visibility information 421 that is greater than or equal to a preset threshold.
  • the machine-learning based model 420 determines a part corresponding to the second part of the transform depth information, and corresponds to the second part based on the visibility information 421. Can be learned to adjust the part of the speech.
  • the machine-learning based model 421 may be trained to output the adjusted transform depth information as the third depth information 422 with reduced noise.
  • the machine-learning based model 420 determines not to adjust the transform depth information when the second part does not exist, and outputs the transform depth information as the third depth information 422 with reduced noise. Can be learned to.
  • the machine-learning based model 420 uses the visibility information 421 to more accurately detect noise, and is determined to be noise even if it is not actual noise among the first portions determined to be noise. Can be learned to detect the third portion.
  • the machine-learning based model 420 may determine that the first part except the third part except the third part as the noise in the third depth information 411 when the third part is detected. Can be learned.
  • the machine-learning based model 420 determines the first part as noise in the third depth information 411, and reduces the noise determined in the third depth information 411. By doing so, it can be learned to output the third depth information 422 with reduced noise.
  • the machine-learning based model 430 may include a plurality of depth information about the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources. 431, 432, 433, and 434 may be learned to generate third depth information 411 for the second object.
  • the machine-learning based model 430 may be trained to output the third depth information 411 with reduced noise, using the generated third depth information 411 and the fourth depth information 412.
  • a detailed method of learning the machine-learning based model 430 to output the noise-reduced third depth information 411 using the third depth information 411 and the fourth depth information 412 is described with reference to FIG. 4A. Since it is the same as the above, a separate description will be omitted.
  • the plurality of depth information 431 for the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources is applied to the machine-learning based model 430.
  • 432, 433, 434 may be input.
  • the machine-learning based model 430 may be trained to generate third depth information 411, which is representative depth information about the second object, using the plurality of depth information 431, 432, 433, and 434.
  • the machine-learning based model 430 may include a plurality of image data in a second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources. Can be entered.
  • the machine-learning based model 430 may be trained to generate third depth information 411 for the second object by using the plurality of image data in the second object.
  • a plurality of image data for a second object generated by using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources is input to the machine-learning based model 430.
  • the machine-learning based model 430 may be trained to generate third depth information 411 using the plurality of image data.
  • the fourth depth information 412 generated using the pattern light emitted from the plurality of fourth light sources includes a plurality of fourth light sources having a number greater than the number of the plurality of third light sources. It can be produced by the substrate inspection apparatus.
  • the fourth depth information 413 may be generated in a printed circuit board inspection apparatus including a plurality of third light sources having a number smaller than the number of the plurality of fourth light sources. In this case, a specific method of generating the fourth depth information 412 will be described with reference to FIG. 7.
  • 5A through 5C are conceptual diagrams for describing an operation of a machine-learning based model according to various embodiments of the present disclosure.
  • first depth information 511 of a first object generated by using a pattern light reflected from a first object among pattern light emitted from a plurality of second light sources in the machine-learning based model 510. ) May be input.
  • the machine-learning based model 510 may output the first depth information 512 with reduced noise.
  • reference depth information depth information generated by using light emitted from a plurality of fourth light sources greater than the number of three light sources
  • the machine-learning based model 510 may be referred to as reference depth information.
  • the first depth information 511 converted to converge to the reference depth information by using the transform depth information.
  • the machine-learning based model 510 may transform the first depth information 511 to converge on the reference depth information.
  • the machine-learning gibbna model 510 may output the transform depth information as the first depth information 512 with reduced noise.
  • the machine-learning based model 510 may detect noise in the first depth information 511.
  • the machine-learning based model 510 may detect noise in the first depth information 511 and output the first depth information 512 in which the noise is reduced by reducing the detected noise.
  • the machine-learning based model 510 may detect the first portion determined as noise in the first depth information 511 by comparing the transform depth information with the first depth information 511. For example, the machine-learning based model 510 may detect, as the first part, a portion where a difference between the transform depth information and the first depth information 511 is equal to or greater than a preset threshold. The machine-learning based model 510 may output the first depth information 512 in which the noise is reduced by reducing the noise detected in the first depth information 511.
  • Visibility information 521 for may be input.
  • the machine-learning based model 520 outputs the first depth information 513 in which noise is reduced by using the visibility information 521. can do.
  • the machine-learning based model 520 may determine whether there is a second portion of the visibility information 521 that is greater than or equal to a preset threshold. For example, if the second part is present, the machine-learning based model 520 may determine a part corresponding to the second part of the transform depth information, and determine a part corresponding to the second part based on the visibility information. I can adjust it. The machine-learning based model 520 may output the adjusted transform depth information as the third depth information 522 with reduced noise.
  • the machine-learning based model 520 determines not to adjust the transform depth information when the second part does not exist, and outputs the transform depth information as the third depth information 522 with reduced noise. can do.
  • the machine-learning based model 520 may detect the third portion of the first portion, which is determined to be noise, even if the noise is not actual noise, using the visibility information 421. .
  • the machine-learning based model 520 may determine, as the noise in the third depth information 511, the first part excluding the third part from the first part, except for the third part. Can be.
  • the machine-learning based model 520 may determine the first portion as noise in the third depth information 511.
  • the machine-learning based model 520 may output the third depth information 522 in which the noise is reduced by reducing the noise determined in the third depth information 511.
  • a plurality of depth information 531 of the first object generated by using the pattern light reflected from the second object among the pattern light emitted from the plurality of second light sources is applied to the machine-learning based model 530.
  • the machine-learning based model 530 may generate first depth information 511, which is representative depth information of the first object, using the plurality of depth information 531, 532, 533, and 534.
  • the machine-learning based model 511 may generate the first depth information 511 and then output the first depth information 511 with reduced noise as described with reference to FIG. 5A.
  • a plurality of image data of the first object generated by using the pattern light reflected from the second object among the pattern light radiated from the plurality of second light sources is provided in the machine-learning based model 530.
  • the machine-learning based model 530 may generate first depth information 511, which is representative depth information of the first object, using the plurality of image data.
  • the machine-learning based model 511 may generate the first depth information 511 and then output the first depth information 511 with reduced noise as described with reference to FIG. 5A.
  • the printed circuit board inspection apparatus 100 uses the machine-learning based models 510, 520, and 530 to obtain unreceived signals or peaks, even if a relatively small number of image data is acquired to generate depth information. Noise such as signals can be removed from the depth information on the part.
  • the printed circuit board inspection apparatus 100 may have a shape lost by using the machine-learning based models 510, 520, and 530, even if a relatively small number of image data is obtained and thus lacks information for generating depth information. Depth information can be generated for the part so that it is restored.
  • the printed circuit board inspection apparatus 100 may detect the three-dimensional sharpness of the corners of the parts as much as possible without performing the restoration of the joint shape of the parts without additionally damaging the measured foreign material shape.
  • FIG. 6 is a conceptual diagram illustrating a learning method of a machine-learning based model according to various embodiments of the present disclosure.
  • the machine-learning based model 620 may include a CNN, a GAN, and the like. Hereinafter, a method of learning a machine-learning based model will be described based on a GAN capable of performing image transformation using U-net.
  • the machine-learning based model 620 may include a generator 621 and a discriminator 622.
  • the generation unit 621 receives the third depth information 611 of the second object generated using the pattern light reflected from the second object of the pattern light irradiated from the plurality of second light sources, In the distinguishing unit 622, fourth depth information 612 of the second object generated using the pattern light reflected from the second object among the pattern light emitted from the plurality of third light sources may be input.
  • the generation unit 621 may generate the converted third depth information by converting the third depth information 611 to converge to the fourth depth information 612.
  • the distinguishing unit 622 may distinguish the converted third depth information and the fourth depth information 612 by comparing the converted third depth information with the fourth depth information 612.
  • the distinguishing unit 622 may transmit a result of distinguishing the converted third depth information and the fourth depth information 612 to the generation unit 621.
  • the generation unit 621 may adjust a parameter for converting the third depth information 611 according to the result received from the discriminating unit 622. This process is repeated until the distinguishing unit 622 cannot distinguish the converted third depth information and the fourth depth information 612, so that the generation unit 621 converges on the fourth depth information 612.
  • the generation unit 621 is the third depth information 611 and 4 If the quality is poor among the depth information 612 (at least one pixel, the depth information of one channel such as the shadow area, the saturation area, and the SNR is significantly lower than the preset reference value by comparing the other channels). If there is one, the part data can be further refined to exclude it from the training data.
  • FIG. 7 is a diagram for describing a method of obtaining depth information used for learning a machine-learning based model according to various embodiments of the present disclosure.
  • the fourth depth information 412 described with reference to FIGS. 4A to 4C may be generated in the printed circuit board inspection apparatus in which the third depth information 411 is generated.
  • the number of the plurality of third light sources 710 is four and the number of the plurality of fourth light sources is eight.
  • the processor of the printed circuit board inspection apparatus 100 controls the plurality of third light sources 710 to irradiate the pattern light with the component mounted on the printed circuit board, and uses the pattern light reflected from the component to form a third light source.
  • the plurality of third light sources 710 may be moved in a clockwise or counterclockwise direction.
  • the processor controls the plurality of third light sources 710 moved in the clockwise or counterclockwise direction to irradiate the pattern light with the component mounted on the printed circuit board, and the pattern light and the third depth information 411 reflected from the component.
  • Using the fourth depth information 412 can be generated.
  • the number of the plurality of third light sources 710 has been described as four, but this is only for the purpose of description and the present disclosure is not limited thereto.
  • the third light source 710 may be one but not a plurality.
  • the fourth depth information 412 may be generated in the printed circuit board inspection apparatus including a plurality of third light sources having a number smaller than the number of the plurality of fourth light sources.
  • FIG. 8 illustrates an image of a component generated using depth information with reduced noise by a printed circuit board inspection apparatus according to various embodiments of the present disclosure.
  • the printed circuit board inspection apparatus 100 generates depth information on a component using pattern light reflected from the component among pattern light irradiated to the component mounted on the printed circuit board from the plurality of first light sources. can do.
  • the printed circuit board inspection apparatus 100 may generate a 3D image of the component by using the generated depth information.
  • noise may occur in the process of multiple reflection of the light irradiated onto the printed circuit board or the processing of the received light by the image sensor. If the generated noise is not reduced, the quality of the 3D image of the component generated by the printed circuit board inspection apparatus 100 may be degraded, and an accurate inspection of the mounting state of the component may not be performed.
  • the printed circuit board inspection apparatus 100 uses a machine-learning based model to reduce noise in depth information on the part, and to generate a three-dimensional image of the part using the reduced depth information on the part. can do. Since the three-dimensional image generated by using the depth information with reduced noise can more accurately display the shape of the part, a more accurate inspection of the mounting state of the part can be performed.
  • the printed circuit board inspection apparatus 100 when the printed circuit board inspection apparatus 100 generates a three-dimensional image of a part by using depth information without reducing noise, due to noise, the part and the printed circuit board
  • the shape 810 of the connecting portion of (eg, solder paste, etc.) may appear as an abnormal shape in a three-dimensional image or as if there are holes.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the shape 811 of the component and the connecting portion (eg, solder paste, etc.) of the printed circuit board can be displayed more accurately in the three-dimensional image.
  • the boundary of the component due to the noise may be displayed as an abnormal shape in the 3D image.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the shape 821 of the boundary of the part can be displayed more accurately in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 when the printed circuit board inspection apparatus 100 generates a 3D image of a part by using the generated depth information as it is, due to noise, as shown in the hole inside the part.
  • the internal shape 830 of the part may be displayed as an abnormal shape in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 reduces the noise in the depth information of the part by using the machine-learning based model, and generates the 3D image of the part by using the depth information in which the noise is reduced.
  • the internal shape 831 of the part can be displayed more accurately in the three-dimensional image.
  • the printed circuit board inspection apparatus 100 displays the shape of the part more accurately through the three-dimensional image generated by using the depth information with reduced noise, so that a more accurate inspection of the mounting state of the part may be performed. have.
  • Computer-readable recording media include all kinds of recording devices that store data that can be read by a computer system. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
  • functional programs, codes, and code segments for implementing the above embodiments can be easily inferred by programmers in the art to which the present disclosure belongs.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Supply And Installment Of Electrical Components (AREA)
  • Medical Informatics (AREA)

Abstract

인쇄 회로 기판 검사 장치는, 이미지 센서에 의해 수신되는 인쇄 회로 기판에 실장된 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 깊이 정보를 생성하고, 생성된 깊이 정보를 머신-러닝 기반 모델에 입력하고, 노이즈가 감소된 깊이 정보를 머신-러닝 기반 모델로부터 획득하고, 노이즈가 감소된 깊이 정보를 이용하여, 부품의 실장 상태를 검사할 수 있다.

Description

부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
본 개시는 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
일반적으로, 인쇄 회로 기판에 표면 실장 기술(SMT: Surface Mounter Technology)을 이용한 제조 공정에서, 스크린 프린터는 솔더 페이스트들을 인쇄 회로 기판에 인쇄하고, 마운터는 솔더 페이스트들이 인쇄된 인쇄 회로 기판에 부품들을 실장한다.
또한, 인쇄 회로 기판에 실장된 부품들의 실장 상태를 검사하기 위하여 자동 광학 외관 검사 장치(AOI: Automated Optical Inspection)가 이용되고 있다. AOI 장치는 인쇄 회로 기판에 대한 촬상 이미지를 이용하여, 부품들이 인쇄 회로 기판에 위치 이탈, 들뜸, 기울임 등 없이 정상적으로 실장 되었는지 여부를 검사한다.
한편, AOI 장치가 인쇄 회로 기판에 대한 이미지를 생성하는 과정에서, 인쇄 회로 기판에 조사된 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 즉, 광학적 노이즈 및 신호적인 노이즈가 다양하게 발생될 수 있으며, 이와 같이 발생된 노이즈가 감소되지 않으면, AOI 장치에서 생성되는 인쇄 회로 기판 촬상 이미지의 품질이 저하될 수 있다. 인쇄 회로 기판 촬상 이미지의 품질이 저하되면, 인쇄 회로 기판 촬상 이미지를 이용하는 인쇄 회로 기판에 실장된 부품들의 실장 상태에 대한 검사가 정확히 수행되지 않을 수 있다.
본 개시는, 부품에 대한 깊이 정보(depth information)에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치를 제공할 수 있다.
본 개시는, 부품에 대한 깊이 정보에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하도록 하는 실행 가능한 명령을 포함하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체를 제공할 수 있다.
본 개시는, 부품에 대한 깊이 정보에 기초하여 획득되는 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 부품의 실장 상태를 검사하는 방법을 제공할 수 있다.
본 개시의 일 실시예에 따르면, 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치는, 상기 부품에 패턴광을 조사하는 복수의 제1 광원, 상기 부품으로부터 반사된 패턴광을 수신하는 이미지 센서, 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제2 깊이 정보를 생성하고, 상기 제2 깊이 정보를 상기 머신-러닝 기반 모델에 입력하고, 노이즈가 감소된 상기 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고, 상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 클 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하고, 상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 제1 객체에 대한 비저빌리티(visibility) 정보가 더 입력되면, 상기 비저빌리티 정보를 이용하여, 상기 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 머신-러닝 기반 모델은, 상기 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 상기 복수의 제2 광원으로부터 조사된 상기 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 비저빌리티 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 상기 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 부품에 대한 비저빌리티 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 상기 프로세서는, 상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 비저빌리티 정보를 생성하고, 상기 부품에 대한 비저빌리티 정보를 상기 머신-러닝 기반 모델에 더 입력할 수 있다.
본 개시의 일 실시예에 따르면, 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치는, 상기 부품에 패턴광을 조사하는 복수의 제1 광원, 상기 부품으로부터 반사된 패턴광을 수신하는 이미지 센서, 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 복수의 깊이 정보가 입력되면, 상기 제1 객체에 대한 복수의 깊이 정보에 기초하여 상기 제1 객체에 대한 제1 깊이 정보를 생성하고, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 복수의 깊이 정보를 생성하고, 상기 부품에 대한 복수의 깊이 정보를 상기 머신-러닝 기반 모델에 입력하고, 노이즈가 감소된 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고 - 상기 제2 깊이 정보는 상기 부품에 대한 복수의 깊이 정보에 기초하여 상기 머신-러닝 기반 모델에 의해 생성됨 - , 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사할 수 있다.
일 실시예에 따르면, 상기 머신-러닝 기반 모델은, 상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 복수의 깊이 정보를 이용하여, 상기 제2 객체에 대한 제3 깊이 정보를 생성하고, 상기 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 상기 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 상기 제1 객체에 대한 복수의 깊이 정보가 입력되면, 상기 제1 깊이 정보를 생성하고, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에 따르면, 상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고, 상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 클 수 있다.
일 실시예에 따르면, 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서, 상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가, 인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계, 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계, 상기 제1 깊이 정보를 머신-러닝 기반 모델에 입력하는 단계, 노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계 및 상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사는 단계를 포함하고, 상기 머신-러닝 기반 모델은, 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에 따르면, 상기 머신-러닝 기반 모델은, 상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
일 실시예에 따르면, 상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고, 상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 클 수 있다.
일 실시예에 따르면, 상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함할 수 있다.
일 실시예에 따르면, 상기 실행 가능한 명령은, 상기 프로세서가, 상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하는 단계 및 상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는 단계를 더 수행하도록 할 수 있다.
일 실시예에 따르면, 상기 머신-러닝 기반 모델은, 상기 제1 객체에 대한 비저빌리티(visibility) 정보가 더 입력되면, 상기 비저빌리티 정보를 이용하여, 상기 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
일 실시예에 따르면, 상기 실행 가능한 명령은, 상기 프로세서가, 상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 비저빌리티 정보를 생성하는 단계 및 상기 부품에 대한 비저빌리티 정보를 상기 머신-러닝 기반 모델에 더 입력하는 단계를 더 수행하도록 할 수 있다.
본 개시의 일 실시예에 따르면, 인쇄 회로 기판 검사 장치에서, 부품의 실장 상태를 검사하는 방법은, 인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계, 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계, 상기 제1 깊이 정보를 머신-러닝 기반 모델에 입력하는 단계, 노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계 및 상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사는 단계를 포함하고, 상기 머신-러닝 기반 모델은, 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
본 개시의 일 실시예에 따르면, 상기 머신-러닝 기반 모델은, 상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고, 상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력할 수 있다.
본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치는, 부품에 대한 깊이 정보를 머신-러닝 기반 모델을 통해 처리함으로써, 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 부품에 대한 깊이 정보를 이용하여 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사할 수 있다. 인쇄 회로 기판 검사 장치는, 깊이 정보를 생성하기 위해 상대적으로 적은 수의 이미지 데이터가 획득되더라도, 머신-러닝 기반 모델을 이용하여, 미수신 신호 또는 피크 신호 등의 노이즈를 부품에 대한 깊이 정보에서 제거하고, 상대적으로 적은 수의 이미지 데이터가 획득되어 깊이 정보를 생성하기 위한 정보가 부족하더라도, 머신-러닝 기반 모델을 이용하여 소실된 형상이 복원되도록 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치는 부품의 모서리 등에 대한 3차원 선명도는 최대한 보정하면서도 부품의 조인트 형상의 오복원을 수행하고 않고, 추가적으로 측정된 이물 형상을 훼손하지 않고, 검출할 수 있다.
이와 같이, 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 인쇄회로 기판에 실장된 부품 및 솔더 페이스트에 대해, 실제 부품 및 솔더 페이스트의 형상과 최대한 유사한 수준으로 형상 복원을 수행함으로써, 보다 정확하게 부품의 실장 상태를 검사할 수 있다.
도 1은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치를 도시한다.
도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.
도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의한 부품의 실장 상태를 검사하는 방법의 흐름도이다.
도 4a 내지 도 4c는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 5a 내지 도 5c는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 동작을 설명하기 위한 개념도이다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습에 이용되는 깊이 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의해 노이즈가 감소된 깊이 정보를 이용하여 생성된 부품에 대한 이미지를 도시한다.
본 개시의 실시예들은 본 개시의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 개시에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.
본 개시에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 개시에 사용되는 모든 용어들은 본 개시를 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 개시에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.
본 개시에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 개시에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 개시에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.
본 개시에서 사용되는 용어 "부"는, 소프트웨어, 또는 FPGA(Field-Programmable Gate Array), ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미한다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함한다. 구성요소와 "부" 내에서 제공되는 기능은 더 작은 수의 구성요소 및 "부"로 결합되거나 추가적인 구성요소와 "부"로 더 분리될 수 있다.
본 개시에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 개시에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.
이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
도 1은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치를 도시한다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 인쇄 회로 기판(110)에 실장된 적어도 하나의 부품의 실장 상태를 검사할 수 있다. 이송부(120)는 인쇄 회로 기판(110)을 부품의 실장 상태를 검사 하기 위해 미리 설정된 위치로 이동시킬 수 있다. 또한, 이송부(120)는 인쇄 회로 기판 검사 장치(100)에 의해 검사가 완료되면, 검사가 완료된 인쇄 회로 기판(110)을 미리 설정된 위치에서 이탈하도록 이동시키고, 다른 인쇄 회로 기판(111)을 미리 설정된 인쇄 회로 기판으로 이동시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 제1 광원(101), 이미지 센서(102) 및 프레임(103)을 포함할 수 있다. 제1 광원(101), 이미지 센서(102)는 프레임(103)에 고정될 수 있다. 도 1에 도시된 제1 광원(101), 이미지 센서(102) 및 프레임(103) 각각의 개수 및 배치 상태는 설명의 목적일 뿐, 이에 제한되는 것은 아니다. 예를 들어, 도 1에 도시된 이미지 센서(102)의 위치에 하나의 제1 광원(101)이 배치되고, 도 1 에 도시된 제1 광원(101)의 위치에 복수의 이미지 센서가 배치될 수도 있으며, 제1 광원(101), 이미지 센서(102)는 복수의 프레임(103)을 통해 다양한 방향 및 각도로 배치될 수도 있다.
일 실시예에서, 제1 광원(101)은 부품의 실장 상태를 검사 하기 위해 미리 설정된 위치로 이동된 인쇄 회로 기판(110)에 패턴광을 조사할 수 있다. 제1 광원(101)은 복수 개인 경우, 서로 다른 조사 방향, 서로 다른 조사 각도 등을 가지도록 배치될 수 있다. 또한, 제1 광원(101)이 복수 개인 경우, 제1 광원(101)에서 조사되는 패턴광의 피치 간격 등은 서로 상이할 수 있다. 예를 들어, 패턴광은 인쇄 회로 기판(110)에 대한 3차원 형상을 측정하기 위하여 조사되는, 일정한 주기를 갖는 패턴을 갖는 광일 수 있다. 제1 광원(101)은 줄무늬의 밝기가 사인파(sine wave) 형태를 띠는 패턴광, 밝은 부분과 어두운 부분이 반복되어 표시되는 온-오프(on-off) 형태의 패턴광 또는 밝기의 변화가 삼각형 파형인 삼각파 패턴광 등을 조사할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제1 광원(101)은 밝기의 변화가 일정한 주기를 갖고 반복되는 다양한 형태의 패턴을 포함하는 광을 조사할 수 있다.
일 실시예에서, 이미지 센서(102)는 인쇄 회로 기판(110) 및 인쇄 회로 기판(110)에 실장된 부품으로부터 반사된 패턴광을 수신할 수 있다. 제1 이미지 센서(102)는 수신된 패턴광을 이용하여 이미지 데이터를 생성할 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치의 블록도이다.
본 개시의 다양한 실시예에 따르면, 인쇄 회로 기판 검사 장치(100)는 제1 광원(210), 이미지 센서(220), 메모리(230) 및 프로세서(240)를 포함할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 통신 회로(250)를 더 포함할 수 있다. 인쇄 회로 기판 검사 장치(100)에 포함된 각 구성 요소들은 서로 전기적으로 연결되어 신호, 데이터 등을 송수신할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 복수의 제1 광원(210)을 포함할 수 있다. 제1 광원(210)은 검사 대상(예: 인쇄 회로 기판 등)에 패턴광을 조사할 수 있다. 예를 들어, 제1 광원(210)은 검사 대상 전체에 패턴광을 조사하거나, 검사 대상에 포함된 객체(예: 인쇄 회로 기판에 실장된 부품 등)에 패턴광을 조사할 수 있다. 이하에서는 설명의 편의를 위해, 제1 광원(210)이 인쇄 회로 기판에 실장된 부품에 패턴 광을 중심으로 설명하나, 이에 제한되는 것은 아니며, 제1 광원(210)은 검사 대상인 인쇄 회로 기판 전체 또는 인쇄 회로 기판에 실장된 적어도 하나의 부품을 포함하는 인쇄 회로 기판의 일 영역에 패턴광을 조사할 수 있다.
일 실시예에서, 제1 광원(210)은 광원(미도시), 격자(미도시), 격자 이송장치(미도시) 및 투영 렌즈부(미도시)를 포함할 수 있다. 격자는 광원에서 조사된 광을 패턴광으로 변환시킬 수 있다. 격자는 위상천이된 패턴광을 발생시키기 위해, 예를 들어 PZT(piezo actuator)와 같은 격자 이송 기구를 통해 이송될 수 있다. 투영 렌즈부는 격자에 의해 생성된 패턴광을 검사 대상에 포함된 객체인 인쇄 회로 기판에 실장된 부품에 조사되도록 할 수 있다. 또한, 제1 광원(210)은 LCD(Liquid Crystal Display), DLP(Digital Light Processing) 및 LCOS(Liquid Crystal On Silicon) 등과 같은 다양한 방법을 통해서 패턴광을 형성하여 검사 대상에 포함된 객체인 인쇄 회로 기판에 실장된 부품에 조사되도록 할 수 있다.
일 실시예에서, 이미지 센서(220)는 부품으로부터 반사된 패턴광을 수신할 수 있다. 예를 들어, 이미지 센서(220)는 부품으로부터 반사된 패턴광을 수신하여, 부품에 대한 이미지 데이터를 생성할 수 있다. 이미지 센서(220)는 생성된 부품에 대한 이미지 데이터를 프로세서(240)로 전달할 수 있다.
일 실시예에서, 메모리(230)는 인쇄 회로 기판 검사 장치(100)의 적어도 하나의 다른 구성 요소에 관계된 명령 또는 데이터를 저장할 수 있다. 또한, 메모리(230)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 예를 들어, 메모리(230)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 휘발성 메모리(예: DRAM, SRAM 또는 SDRAM 등), 비휘발성 메모리(예: 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD)) 중 적어도 하나를 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 인쇄 회로 기판 검사 장치(100)와 기능적으로 또는 물리적으로 연결될 수 있다.
일 실시예에서, 메모리(230)는 프로세서(240)를 동작하도록 하는 명령들을 저장할 수 있다. 예를 들어, 메모리(230)는 프로세서(240)가 인쇄 회로 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동하도록 하는 명령들을 저장할 수 있다. 프로세서(240)는 메모리(230)에 저장된 명령들에 기초하여 인쇄 회로 기판 검사 장치(100)의 다른 구성 요소들을 제어하고, 외부 전자 장치 또는 서버와 연동할 수 있다. 이하에서는 인쇄 회로 기판 검사 장치(100)의 각 구성 요소들을 주체로 인쇄 회로 기판 검사 장치(100)의 동작을 설명하도록 한다. 또한, 각 구성 요소들에 의한 동작을 수행하도록 하는 명령들이 메모리(230)에 저장될 수 있다.
일 실시예에서, 메모리(230)는 머신-러닝 기반 모델을 저장할 수 있다. 머신-러닝 기반 모델은 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 제1 깊이 정보를 입력 받을 수 있다. 예를 들어, 제1 깊이 정보는 형태, 픽셀별 색상 정보, 밝기 정보, 높이값 중 적어도 하나를 포함할 수 있다.
예를 들어, 복수의 제2 광원과 복수의 제1 광원(210)은 동일할 수도 있고, 상이할 수도 있다. 복수의 제2 광원이 복수의 제1 광원(210)과 상이하더라도, 복수의 제2 광원의 수는 복수의 제1 광원(210)의 수와 동일할 수 있다. 또한, 복수의 제2 광원이 다른 인쇄 회로 기판 검사 장치에 포함되더라도, 다른 인쇄 회로 기판 검사 장치 내에서 복수의 제2 광원의 배치 위치는 인쇄 회로 기판 검사 장치(100) 내의 복수의 제1 광원의 배치 위치와 대응될 수 있다. 머신-러닝 기반 모델은 제1 깊이 정보가 입력되면, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
예를 들어, 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 깊이 정보는 제1 객체에 조사된 패턴 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 예를 들어, 노이즈는 제1 깊이 정보 중 제1 객체의 형상과 대응되지 않거나 제1 객체와 관련이 없다고 판단되는 부분일 수 있다. 머신-러닝 기반 모델은 제1 객체에 대한 이미지, 예를 들어 제1 객체에 대한 3차원 이미지의 품질을 향상시키기 위하여, 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습될 수 있다. 머신-러닝 기반 모델로는 CNN(Convolutional Neural Network), GAN(Generative Adversarial Network) 등을 포함할 수 있다. 머신-러닝 기반 모델에 제1 깊이 정보가 입력되면, 머신-러닝 기반 모델이 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한다.
또한, 머신-러닝 기반 모델은 인쇄 회로 기판 검사 장치(100)와 유선 또는 무선으로 연동된 외부 전자 장치 또는 서버의 메모리에 저장될 수도 있다. 이 경우, 인쇄 회로 기판 검사 장치(100)는 유선 또는 무선으로 연동된 외부 전자 장치 또는 서버와 제1 깊이 정보의 노이즈를 감소시키기 위하여 정보를 송수신할 수 있다.
일 실시예에서, 프로세서(240)는 운영 체제 또는 응용 프로그램을 구동하여, 인쇄 회로 기판 검사 장치(100)의 적어도 하나의 다른 구성 요소를 제어할 수 있고, 각종 데이터 처리 및 연산 등을 수행할 수 있다. 예를 들어, 프로세서(240)는 중앙처리장치 등을 포함할 수 있고, SoC(System on Chip)으로 구현될 수도 있다.
일 실시예에서, 통신 회로(250)는 외부 전자 장치 또는 외부 서버와 통신을 수행할 수 있다. 예를 들어, 통신 회로(250)는 인쇄 회로 기판 검사 장치(100)와 외부 전자 장치 간의 통신을 설정할 수 있다. 통신 회로(250)는 무선 통신 또는 유선 통신을 통해서 네트워크와 연결되어 외부 전자 장치 또는 외부 서버와 통신할 수 있다. 또 다른 예로, 통신 회로(250)는 외부 전자 장치와 유선으로 연결되어 통신을 수행할 수도 있다.
무선 통신은, 예를 들면, 셀룰러 통신(예: LTE, LTE-A(LTE Advance), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), UMTS(Universal Mobile Telecommunications System), WiBro(Wireless Broadband) 등)을 포함할 수 있다. 또한, 무선 통신은, 근거리 무선 통신(예: WiFi(Wireless Fidelity), LiFi(Light Fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(Near Field Communication) 등)을 포함할 수 있다.
일 실시예에서, 프로세서(240)는 이미지 센서(220)에 의해 수신되는 인쇄 회로 기판에 실장된 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 예를 들어, 프로세서(240)는 이미지 센서(220)에 의해 생성되는 부품으로부터 반사된 패턴광을 이용하여 생성된 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 또 다른 예로, 이미지 센서(220)가 수신되는 패턴광에 대한 정보를 프로세서(240)로 전달하고, 프로세서(240)가 부품에 대한 이미지를 생성하고, 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수도 있다. 프로세서(240)는 광 삼각 방식 또는 버킷 알고리즘(bucket algorithm) 등을 부품에 대한 이미지에 적용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 다만, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 다양한 방식을 통해 부품에 대한 제2 깊이 정보가 생성될 수 있다.
일 실시예에서, 프로세서(240)는 제2 깊이 정보를 머신-러닝 기반 모델에 입력할 수 있다. 예를 들어, 프로세서(240)는 머신-러닝 기반 모델이 메모리(230)에 저장되어 있는 경우, 머신-러닝 기반 모델에 직접 제2 깊이 정보를 입력할 수 있다. 또 다른 예로, 프로세서(240)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 제2 깊이 정보를 외부 전자 장치 또는 외부 서버로 송신하도록 통신 회로(250)를 제어할 수 있다.
일 실시예에서, 프로세서(240)는 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 예를 들어, 프로세서(240)는 머신-러닝 기반 모델이 메모리(230)에 저장되어 있는 경우, 머신-러닝 기반 모델로부터 직접 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다. 또 다른 예로, 프로세서(240)는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 외부 전자 장치 또는 외부 서버로부터 통신 회로(250)를 통해 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다.
일 실시예에서, 프로세서(240)는 노이즈가 감소된 제2 깊이 정보를 이용하여, 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서(240)는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 또한, 프로세서(240)는 생성된 부품에 대한 3차원 이미지를 이용하여 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서(240)는 부품에 대한 3차원 이미지를 이용하여, 부품이 미리 설정된 위치에 실장되어 있는지 여부, 부품이 미리 설정된 방향으로 실장되어 있는지 여부, 부품의 적어도 일부분이 기울어져서 실장되어 있는 지 여부, 부품에 이물질(foreign object)이 있는지 여부 등을 검사함으로써 부품의 실장 상태를 검사할 수 있다.
일 실시예에서, 머신-러닝 기반 모델은 제1 객체에 대한 비저빌리티(visibility) 정보가 더 입력되면, 비저빌리티 정보를 이용하여, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다. 예를 들어, 비저빌리티 정보는 노이즈의 정도를 나타내는 정보로서, 머신-러닝 기반 모델은 제1 깊이 정보에서의 노이즈를 보다 효율적으로 감소시키기 위하여 비저빌리티 정보를 이용할 수 있다. 머신-러닝 기반 모델에 제1 깊이 정보 및 비저빌리티 정보가 입력되면, 머신-러닝 기반 모델이 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한다.
일 실시예에서, 프로세서(240)는 이미지 센서(220)에 의해 수신되는 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 비저빌리티 정보를 생성할 수 있다. 예를 들어, 비저빌리티 정보는 이미지 데이터의 밝기 신호에 있어서 진폭(Bi(x, y))의 평균 밝기(Ai(x, y))에 대한 비를 나타내며, 대체로 반사율이 증가함에 따라 증가하는 경향이 있다. 비저빌리티 정보(Vi(x, y))는 수학식 1과 같이 나타낼 수 있다.
Figure PCTKR2019002330-appb-M000001
예를 들어, 복수의 제1 광원(210) 각각으로부터 패턴광이 다양한 방향에서 인쇄 회로 기판에 조사되어 부품에 대한 복수의 이미지 데이터가 이미지 센서(220) 또는 프로세서(240)에 의해 생성될 수 있다. 프로세서(240)는 생성된 복수의 이미지 데이터들로부터 X-Y 좌표계의 각 위치(i(x, y))에서의 N개의 밝기 정도들(Ii 1, Ii 2, ... ,Ii N)을 추출하여, 진폭(Bi(x, y)) 및 N-버켓 알고리즘(N-bucket algorithm)을 이용하여 평균 밝기(Ai(x, y))를 산출할 수 있다. 프로세서(240)는 산출된 진폭(Bi(x, y)) 및 평균 밝기(Ai(x, y))를 이용하여, 비저빌리티 정보(Vi(x, y))를 생성할 수 있다. 또한, 프로세서(240)는 생성된 부품에 대한 비저빌리티 정보를 머신-러닝 기반 모델에 더 입력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델은 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 복수의 깊이 정보를 입력 받을 수 있다. 복수의 제2 광원 각각이 제1 객체로 패턴광을 조사하고, 복수의 제2 광원 각각이 조사한 패턴광이 제1 객체로부터 반사되어 이미지 센서에 의해 수신되므로, 제1 객체에 대한 복수의 깊이 정보가 생성될 수 있다.
또한, 머신-러닝 기반 모델은, 복수의 깊이 정보가 입력되면, 복수의 깊이 정보에 기초하여, 제1 객체에 대한 제1 깊이 정보를 생성하고, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다. 머신-러닝 기반 모델에 복수의 깊이 정보가 입력되면, 머신-러닝 기반 모델이 제1 깊이 정보를 생성하고, 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한다. 예를 들어, 제1 깊이 정보는 제1 객체에 대한 대표 깊이 정보로서, 제1 객체에 대한 복수의 깊이 정보에 기초하여 생성될 수 있다.
일 실시예에서, 프로세서(240)는 이미지 센서(220)에 의해 수신되는 부품으로부터 반사된 패턴광을 이용하여, 부품에 대한 복수의 깊이 정보를 생성할 수 있다. 복수의 제1 광원 각각이 부품으로 패턴광을 조사하고, 복수의 제1 광원 각각이 조사한 패턴광이 부품으로부터 반사되어 이미지 센서(220)에 의해 수신되므로, 부품에 대한 복수의 깊이 정보가 생성될 수 있다.
또한, 프로세서(240)는 부품에 대한 복수의 깊이 정보를 머신-러닝 기반 모델에 입력할 수 있다. 예를 들어, 복수의 제1 광원(210) 각각은 인쇄 회로 기판에 실장된 부품에 패턴광을 조사하고, 이미지 센서(220)는 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 복수의 이미지 데이터를 생성할 수 있다. 이미지 센서(220)는 복수의 이미지 데이터를 프로세서(240)로 전달할 수 있다. 프로세서(240)는 복수의 이미지 데이터를 이용하여 부품에 대한 복수의 깊이 정보를 생성할 수 있다.
일 실시예에서, 프로세서(240)는 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 제2 깊이 정보는 부품에 대한 복수의 깊이 정보에 기초하여, 머신-러닝 기반 모델에 의해 생성될 수 있다. 예를 들어, 제2 깊이 정보는 부품에 대한 대표 깊이 정보로서, 부품에 대한 복수의 깊이 정보에 기초하여 생성될 수 있다.
일 실시예에서, 머신-러닝 기반 모델은 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 복수의 이미지 데이터를 입력 받을 수 있다. 머신-러닝 기반 모델은, 복수의 이미지 데이터가 입력되면, 복수의 이미지 데이터를 이용하여, 제1 객체에 대한 제1 깊이 정보를 생성하고, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다. 머신-러닝 기반 모델에 제1 객체에 대한 복수의 이미지 데이터가 입력되면, 머신-러닝 기반 모델이 제1 깊이 정보를 생성하고, 노이즈가 감소된 제1 깊이 정보를 출력하도록 학습시키는 구체적인 방법에 대해서는 후술하도록 한다.
일 실시예에서, 프로세서(240)는 이미지 센서(220)에 의해 수신되는 부품으로부터 반사된 패턴광을 이용하여 생성된 부품에 대한 복수의 이미지 데이터를 머신-러닝 기반 모델에 입력할 수 있다. 또 다른 예로, 프로세서(240)는 이미지 센서(220)에 의해 수신되는 부품으로부터 반사된 패턴광에 대한 정보를 이용하여, 부품에 대한 복수의 이미지 데이터를 생성하고, 생성된 복수의 이미지 데이터를 머신-러닝 기반 모델에 입력할 수도 있다.
일 실시예에서, 프로세서(240)는 노이즈가 감소된 제1 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 제2 깊이 정보는 복수의 이미지 데이터에 기초하여, 머신-러닝 기반 모델에 의해 생성될 수 있다.
도 3은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의한 부품의 실장 상태를 검사하는 방법의 흐름도이다.
도 3에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 개시의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 개시에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 개시의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
310 단계에서, 인쇄 회로 기판 검사 장치(100)는 인쇄 회로 기판에 실장된 부품에 패턴광을 조사할 수 있다. 예를 들어, 인쇄 회로 기판 검사 장치(100)의 프로세서는 검사 대상인 인쇄 회로 기판에 실장된 복수의 부품 각각에 패턴광이 조사되도록 복수의 제1 광원을 제어할 수 있다.
320 단계에서, 인쇄 회로 기판 검사 장치(100)는 부품으로부터 반사된 패턴광을 수신하고, 패턴광을 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다. 예를 들어, 제1 이미지 센서는 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 이미지를 생성하고, 생성된 부품에 대한 이미지를 프로세서로 전달할 수 있다. 프로세서는 제1 이미지 센서로부터 수신되는 부품에 대한 이미지를 이용하여 부품에 대한 제2 깊이 정보를 생성할 수 있다.
330 단계에서, 인쇄 회로 기판 검사 장치(100)는 제2 깊이 정보를 머신-러닝 기반 모델에 입력할 수 있다. 예를 들어, 프로세서는 머신-러닝 기반 모델이 인쇄 회로 기판 검사 장치(100)의 메모리에 저장되어 있는 경우, 머신-러닝 기반 모델에 직접 제2 깊이 정보를 입력할 수 있다. 또 다른 예로, 프로세서는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 제2 깊이 정보를 외부 전자 장치 또는 외부 서버로 송신하도록 통신 회로를 제어할 수 있다.
340 단계에서, 인쇄 회로 기판 검사 장치(100)는 노이즈가 감소된 제2 깊이 정보를 머신-러닝 기반 모델로부터 획득할 수 있다. 예를 들어, 프로세서는 머신-러닝 기반 모델이 메모리에 저장되어 있는 경우, 머신-러닝 기반 모델로부터 직접 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다. 또 다른 예로, 프로세서는 머신-러닝 기반 모델이 외부 전자 장치 또는 외부 서버에 저장되어 있는 경우, 외부 전자 장치 또는 외부 서버로부터 통신 회로를 통해 노이즈가 감소된 제2 깊이 정보를 획득할 수 있다.
350 단계에서, 인쇄 회로 기판 검사 장치는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품의 실장 상태를 검사할 수 있다. 예를 들어, 프로세서는 노이즈가 감소된 제2 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 또한, 프로세서는 생성된 부품에 대한 3차원 이미지를 이용하여 부품의 실장 상태를 검사할 수 있다.
도 4a 내지 도 4c는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
도 4a를 참조하면, 머신-러닝 기반 모델(410)은 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제3 깊이 정보(411) 및 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제4 깊이 정보(412)를 이용하여, 노이즈가 감소된 제3 깊이 정보(413)를 출력하도록 학습될 수 있다.
머신-러닝 기반 모델(410)은 노이즈가 감소된 제3 깊이 정보(413)를 출력하도록 학습된 결과에 기초하여, 학습에 이용된 제2 객체와는 상이한 제1 객체에 대한 제1 깊이 정보가 입력되더라도, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)에 학습을 위해 제3 깊이 정보(411) 및 제4 깊이 정보(412)가 입력될 수 있다. 예를 들어, 제4 깊이 정보(412)를 생성하는데 이용되는 패턴광을 조사하는 복수의 제3 광원의 수는 복수의 제1 광원의 수보다 크고, 복수의 제1 광원의 수와 동일한 수를 가지는 복수의 제2 광원의 수보다 클 수 있다. 복수의 제3 광원의 수가 복수의 제2 광원의 수보다 크므로, 제4 깊이 정보(412)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수는 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수보다 클 수 있다. 복수의 제4 광원 각각의 조사 방향, 조사 각도, 피치 간격 등이 서로 상이하므로, 제4 깊이 정보(412)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지는 모두 제2 객체에 대한 이미지이나, 서로 상이한 이미지일 수 있다. 이와 마찬가지로, 복수의 제3 광원 각각의 조사 방향, 조사 각도, 피치 간격 등이 서로 상이하므로, 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지는 모두 제2 객체에 대한 이미지이나, 서로 상이한 이미지일 수 있다.
또한, 복수의 제4 광원의 수는 복수의 제3 광원의 수보다 크므로, 복수의 제4 광원은 복수의 제3 광원과는 다른 적어도 하나의 조사 방향, 적어도 하나의 조사 각도, 적어도 하나의 피치 간격 등을 가지고 광을 제2 객체에 조사할 수 있다. 따라서, 제4 깊이 정보(412)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수가 제3 깊이 정보(411)를 생성함에 있어 이용되는 제2 객체에 대한 복수의 이미지의 수보다 크게 되고, 이를 통해 생성된 제4 깊이 정보(412)는 제3 깊이 정보(411)에 비해 노이즈가 상대적으로 더 적게 발생할 수 있다. 이에 따라, 많은 수의 광원을 이용하여 생성된 깊이 정보를 통해 측정된 객체의 형상은 적은 수의 광원을 이용하여 생성된 깊이 정보를 통해 측정된 객체의 형상에 비해, 객체의 실제 형상에 보다 근접할 수 있다.
일 실시예에서, 제4 깊이 정보(412)에서는 제3 깊이 정보(411) 보다 노이즈가 상대적으로 더 적게 발생하므로, 제4 깊이 정보(412)는 머신-러닝 기반 모델(410)이 제3 깊이 정보(411)에서의 노이즈를 감소시키기 위해 제3 깊이 정보(411)를 변환하거나 제3 깊이 정보(411)에서 노이즈를 검출하도록 학습되는 과정에서 기준이 되는 깊이 정보로 이용될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)은 제4 깊이 정보(412)에 수렴되게 제3 깊이 정보(411)를 변환하도록 학습될 수 있다. 이하에서는 설명의 편의를 위해, 제4 깊이 정보(412)에 수렴되도록 변환된 제3 깊이 정보(411)를 변환 깊이 정보라 한다. 예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제4 깊이 정보(412)를 비교할 수 있다. 머신-러닝 기반 모델(410)은 비교 결과에 기초하여, 제3 깊이 정보(411)의 변환을 위한 파라미터를 조정할 수 있다. 머신-러닝 기반 모델(410)은 위의 과정을 반복함으로써, 제3 깊이 정보(411)가 제4 깊이 정보(412)에 수렴될 수 있도록, 제3 깊이 정보(411)의 변환을 위한 파라미터를 결정할 수 있다. 이를 통해, 머신-러닝 기반 모델(410)은 제4 깊이 정보(412)에 수렴되게 제3 깊이 정보(411)를 변환하도록 학습될 수 있다. 머신-러닝 기반 모델(410)은 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(414)로 출력하도록 학습될 수 있다. 이와 같이, 제4 깊이 정보(412)에 수렴되도록 제3 깊이 정보(411)를 변환하도록 머신-러닝 기반 모델(410)이 학습됨으로써, 깊이 정보를 생성함에 있어 이용 가능한 객체에 대한 이미지의 수가 상대적으로 부족한 경우에도, 보다 정확하게 객체에 대한 형상이 측정되도록 할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 노이즈를 검출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 노이즈를 검출하고, 검출된 노이즈를 감소시켜 노이즈가 감소된 제3 깊이 정보(414)를 출력하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제3 깊이 정보(411)를 비교함으로써, 제3 깊이 정보(411)에서 노이즈로 판단되는 제1 부분을 검출하도록 학습될 수 있다. 예를 들어, 머신-러닝 기반 모델(410)은 변환 깊이 정보와 제3 깊이 정보(411)의 차이가 미리 설정된 임계치 이상이 되는 부분을 제1 부분으로 검출하도록 학습될 수 있다. 머신-러닝 기반 모델(410)은 제3 깊이 정보(411)에서 검출된 노이즈를 감소시킴으로써, 노이즈가 감소된 제3 깊이 정보(413)를 출력하도록 학습될 수 있다.
도 4b를 참조하면, 머신-러닝 기반 모델(420)은 제3 깊이 정보(411), 제4 깊이 정보(412) 및 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 비저빌리티 정보(421)를 이용하여, 노이즈가 감소된 제3 깊이 정보(422)를 출력하도록 학습될 수 있다.
머신-러닝 기반 모델(420)은 노이즈가 감소된 제3 깊이 정보(413)를 출력하도록 학습된 결과에 기초하여, 학습에 이용된 제2 객체와는 상이한 제1 객체에 대한 제1 깊이 정보 및 제1 객체에 대한 비저빌리티 정보가 입력되더라도, 노이즈가 감소된 제1 깊이 정보를 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(420)에 제3 깊이 정보(411), 제4 깊이 정보(412) 및 비저빌리티 정보(421)가 입력될 수 있다. 머신-러닝 기반 모델(420)는 제2 객체의 형상을 보다 정확히 나타낼 수 있도록, 비저빌리티 정보(421)를 이용하여, 변환 깊이 정보를 조정하도록 학습될 수 있다. 예를 들어, 비저빌리티 정보(421)는 제2 객체 대한 깊이 정보인 제3 깊이 정보(411)에서 발생하는 노이즈의 정도를 나타내는 정보로서, 제3 깊이 정보(411)가 양질의 측정치인지를 나타낼 수 있다. 예를 들어, 머신-러닝 기반 모델(420)은 비저빌리티 정보(421) 중 미리 설정된 임계치 이상이 되는 제2 부분이 존재하는지 여부를 결정하도록 학습될 수 있다.
예를 들어, 머신-러닝 기반 모델(420)은 제2 부분이 존재하는 경우, 변환 깊이 정보 중 제2 부분에 대응하는 부분을 결정하고, 비저빌리티 정보(421)에 기초하여 제2 부분에 대응하는 부분을 조정하도록 학습될 수 있다. 머신-러닝 기반 모델(421)은 조정된 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(422)로 출력하도록 학습될 수 있다.
또 다른 예로, 머신-러닝 기반 모델(420)는 제2 부분이 존재하지 않는 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정하고, 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(422)로 출력하도록 학습될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(420)은 보다 정확하게 노이즈를 검출하기 위하여, 비저빌리티 정보(421)를 이용하여, 노이즈로 판단되는 제1 부분 중, 실제 노이즈가 아님에도 노이즈로 판단된 제3 부분을 검출하도록 학습될 수 있다. 머신-러닝 기반 모델(420)은 제3 부분이 검출된 경우, 제1 부분에서 제3 부분을 제외하고 제3 부분이 제외된 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하도록 학습될 수 있다. 또한, 머신-러닝 기반 모델(420)은 제3 부분이 검출되지 않은 경우, 제1 부분을 제3 깊이 정보(411)에서의 노이즈로 결정하고, 제3 깊이 정보(411)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제3 깊이 정보(422)를 출력하도록 학습될 수 있다.
도 4c를 참조하면, 머신-러닝 기반 모델(430)은 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 복수의 깊이 정보(431, 432, 433, 434)를 이용하여 제2 객체에 대한 제3 깊이 정보(411)를 생성하도록 학습될 수 있다. 머신-러닝 기반 모델(430)은 생성된 제3 깊이 정보(411) 및 제4 깊이 정보(412)를 이용하여, 노이즈가 감소된 제3 깊이 정보(411)를 출력하도록 학습될 수 있다. 머신-러닝 기반 모델(430)을 제3 깊이 정보(411) 및 제4 깊이 정보(412)를 이용하여 노이즈가 감소된 제3 깊이 정보(411)를 출력하도록 학습시키는 구체적인 방법은 도 4a에서 설명한 것과 동일하므로, 별도의 설명은 생략하도록 한다.
일 실시예에서, 머신-러닝 기반 모델(430)에 복수의 제2 광원으로부터 조사되는 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 복수의 깊이 정보(431, 432, 433, 434)가 입력될 수 있다. 머신-러닝 기반 모델(430)은 복수의 깊이 정보(431, 432, 433, 434)를 이용하여, 제2 객체에 대한 대표 깊이 정보인 제3 깊이 정보(411)를 생성하도록 학습될 수 있다.
또한, 도시되지는 않았으나, 머신-러닝 기반 모델(430)은 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 복수의 이미지 데이터가 입력될 수 있다. 머신-러닝 기반 모델(430)은 제2 객체에 복수의 이미지 데이터를 이용하여, 제2 객체에 대한 제3 깊이 정보(411)를 생성하도록 학습될 수 있다.
일 실시예에서, 머신-러닝 기반 모델(430)에 복수의 제2 광원으로부터 조사되는 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 복수의 이미지 데이터가 입력될 수 있다. 머신-러닝 기반 모델(430)은 복수의 이미지 데이터를 이용하여, 제3 깊이 정보(411)를 생성하도록 학습될 수 있다.
일 실시예에서, 복수의 제4 광원으로부터 조사된 패턴광을 이용하여 생성되는 제4 깊이 정보(412)는 복수의 제3 광원의 수보다 큰 수를 갖는 복수의 제4 광원을 포함하는 인쇄 회로 기판 검사 장치에 의해 생성될 수 있다. 또한, 제4 깊이 정보(413)는 복수의 제4 광원의 수보다 적은 수를 갖는 복수의 제3 광원을 포함하는 인쇄 회로 기판 검사 장치에서 생성될 수도 있다. 이 경우, 제4 깊이 정보(412)를 생성하는 구체적인 방법에 대해서는 도 7에서 설명하도록 한다.
도 5a 내지 도 5c는 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 동작을 설명하기 위한 개념도이다.
도 5a를 참조하면, 머신-러닝 기반 모델(510)에 복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 제1 객체에 대한 제1 깊이 정보(511)가 입력될 수 있다. 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)가 입력되면, 노이즈가 감소된 제1 깊이 정보(512)를 출력할 수 있다.
이하에서는, 설명의 편의를 위해, 복수의 3 광원의 수 보다 큰 수의 복수의 제4 광원에서 조사되는 광을 이용하여 생성되는 깊이 정보를 기준 깊이 정보라 하고, 머신-러닝 기반 모델(510)에 의해 기준 깊이 정보에 수렴되도록 변환된 제1 깊이 정보(511)를 변환 깊이 정보라 한다.
일 실시예에서, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)를 기준 깊이 정보에 수렴되도록 변환할 수 있다. 머신-러닝 깁나 모델(510)은 변환 깊이 정보를 노이즈가 감소된 제1 깊이 정보(512)로 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 노이즈를 검출할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 노이즈를 검출하고, 검출된 노이즈를 감소시켜 노이즈가 감소된 제1 깊이 정보(512)를 출력할 수 있다.
예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보와 제1 깊이 정보(511)를 비교함으로써, 제1 깊이 정보(511)에서 노이즈로 판단되는 제1 부분을 검출할 수 있다. 예를 들어, 머신-러닝 기반 모델(510)은 변환 깊이 정보와 제1 깊이 정보(511)의 차이가 미리 설정된 임계치 이상이 되는 부분을 제1 부분으로 검출할 수 있다. 머신-러닝 기반 모델(510)은 제1 깊이 정보(511)에서 검출된 노이즈를 감소시킴으로써, 노이즈가 감소된 제1 깊이 정보(512)를 출력할 수 있다.
도 5b를 참조하면, 머신-러닝 기반 모델(520)에 제1 깊이 정보(511) 및 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 비저빌리티 정보(521)가 입력될 수 있다. 머신-러닝 기반 모델(520)은 제2 깊이 정보(511) 및 비저빌리티 정보(521)가 입력되면, 비저빌리티 정보(521)를 이용하여, 노이즈가 감소된 제1 깊이 정보(513)를 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(520)은 비저빌리티 정보(521) 중 미리 설정된 임계치 이상이 되는 제2 부분이 존재하는지 여부를 결정할 수 있다. 예를 들어, 머신-러닝 기반 모델(520)은 제2 부분이 존재하는 경우, 변환 깊이 정보 중 제2 부분에 대응하는 부분을 결정하고, 비저빌리티 정보에 기초하여 제2 부분에 대응하는 부분을 조정할 수 있다. 머신-러닝 기반 모델(520)은 조정된 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(522)로 출력할 수 있다.
또 다른 예로, 머신-러닝 기반 모델(520)은 제2 부분이 존재하지 않는 경우, 변환 깊이 정보를 조정하지 않는 것으로 결정하고, 변환 깊이 정보를 노이즈가 감소된 제3 깊이 정보(522)로 출력할 수 있다.
일 실시예에서, 머신-러닝 기반 모델(520)은 비저빌리티 정보(421)를 이용하여, 노이즈로 판단되는 제1 부분 중, 실제 노이즈가 아님에도 노이즈로 판단된 제3 부분을 검출할 수 있다. 머신-러닝 기반 모델(520)은 제3 부분이 검출된 경우, 제1 부분에서 제3 부분을 제외하고, 제3 부분이 제외된 제1 부분을 제3 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 또한, 머신-러닝 기반 모델(520)은 제3 부분이 검출되지 않은 경우, 제1 부분을 제3 깊이 정보(511)에서의 노이즈로 결정할 수 있다. 머신-러닝 기반 모델(520)은 제3 깊이 정보(511)에서 결정된 노이즈를 감소시킴으로써, 노이즈가 감소된 제3 깊이 정보(522)를 출력할 수 있다.
도 5c를 참조하면, 머신-러닝 기반 모델(530)에 복수의 제2 광원으로부터 조사되는 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제1 객체에 대한 복수의 깊이 정보(531, 532, 533, 534)가 입력될 수 있다. 머신-러닝 기반 모델(530)은 복수의 깊이 정보(531, 532, 533, 534)를 이용하여, 제1 객체에 대한 대표 깊이 정보인 제1 깊이 정보(511)를 생성할 수 있다. 머신-러닝 기반 모델(511)은 제1 깊이 정보(511)를 생성한 후, 도 5a에서 설명한 것과 같이 노이즈가 감소된 제1 깊이 정보(511)를 출력할 수 있다.
또한, 도시되지는 않았으나, 머신-러닝 기반 모델(530)에 복수의 제2 광원으로부터 조사되는 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제1 객체에 대한 복수의 이미지 데이터가 입력될 수 있다. 머신-러닝 기반 모델(530)은 복수의 이미지 데이터를 이용하여, 제1 객체에 대한 대표 깊이 정보인 제1 깊이 정보(511)를 생성할 수 있다. 머신-러닝 기반 모델(511)은 제1 깊이 정보(511)를 생성한 후, 도 5a에서 설명한 것과 같이 노이즈가 감소된 제1 깊이 정보(511)를 출력할 수 있다.
이와 같이, 인쇄 회로 기판 검사 장치(100)는, 깊이 정보를 생성하기 위해 상대적으로 적은 수의 이미지 데이터가 획득되더라도, 머신-러닝 기반 모델(510, 520, 530)을 이용하여, 미수신 신호 또는 피크 신호 등의 노이즈를 부품에 대한 깊이 정보에서 제거할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 상대적으로 적은 수의 이미지 데이터가 획득되어 깊이 정보를 생성하기 위한 정보가 부족하더라도, 머신-러닝 기반 모델(510, 520, 530)을 이용하여 소실된 형상이 복원되도록 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 부품의 모서리 등에 대한 3차원 선명도는 최대한 보정하면서도 부품의 조인트 형상의 오복원을 수행하고 않고, 추가적으로 측정된 이물 형상을 훼손하지 않고, 검출할 수 있다.
도 6은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습 방법을 설명하기 위한 개념도이다.
일 실시예에서, 머신-러닝 기반 모델(620)은 CNN, GAN 등을 포함할 수 있다. 이하에서는, U-net을 이용한 이미지 변환을 수행할 수 GAN을 중심으로 머신-러닝 기반 모델의 학습 방법을 설명하도록 한다. 머신-러닝 기반 모델(620)은 생성부(621) 및 구별부(622)를 포함할 수 있다.
일 실시예에서, 생성부(621)에는 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제3 깊이 정보(611)가 입력되고, 구별부(622)에는 복수의 제3 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 제2 객체에 대한 제4 깊이 정보(612)가 입력될 수 있다.
일 실시예에서, 생성부(621)는 제4 깊이 정보(612)에 수렴되도록 제3 깊이 정보(611)를 변환함으로써, 변환된 제3 깊이 정보를 생성할 수 있다. 구별부(622)는 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 비교함으로써, 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별할 수 있다. 구별부(622)는 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별한 결과를 생성부(621)로 전달할 수 있다. 생성부(621)는 구별부(622)로부터 수신한 결과에 따라, 제3 깊이 정보(611)의 변환을 위한 파라미터를 조정할 수 있다. 이와 같은 과정이, 구별부(622)가 변환된 제3 깊이 정보와 제4 깊이 정보(612)를 구별할 수 없을 때까지 반복됨으로써, 생성부(621)는 제4 깊이 정보(612)에 수렴되도록 제3 깊이 정보(611)를 변환함으로써, 변환된 제3 깊이 정보를 생성하도록 학습될 수 있다.
한편, 생성부(621)에서는 어느 특정 부품에 대한 제3 깊이 정보(611)와 제4 깊이 정보(612)가 한 쌍을 이루는데, 생성부(621)는 제3 깊이 정보(611)와 제4 깊이 정보(612) 중에서 품질이 조악한 경우(적어도 하나의 픽셀별로 그림자 영역, 포화 영역 및 SNR 등과 같이 어느 한 채널의 깊이 정보가 다른 채널을 비교하여 다른 채널 보다 기 설정된 기준값 보다 현저하게 낮은 경우)가 하나라도 있으면 해당 부품 데이터는 학습 데이터에서 제외시키는 정제 작업을 추가적으로 수행할 수 있다.
도 7은 본 개시의 다양한 실시예에 따른 머신-러닝 기반 모델의 학습에 이용되는 깊이 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4a 내지 도 4c에서 설명한, 제4 깊이 정보(412)는 제3 깊이 정보(411)가 생성된 인쇄 회로 기판 검사 장치에서 생성될 수도 있다. 예를 들어, 도 7과 같이, 복수의 제3 광원(710)의 수가 4이고, 복수의 제4 광원의 수는 8인 것으로 상정하도록 한다. 이 경우, 인쇄 회로 기판 검사 장치(100)의 프로세서는 인쇄 회로 기판에 실장된 부품으로 패턴광을 조사하도록 복수의 제3 광원(710)을 제어하고, 부품으로부터 반사된 패턴광을 이용하여 제3 깊이 정보(411)를 생성한 후, 복수의 제3 광원(710)을 시계 방향 또는 반시계 방향으로 이동시킬 수 있다. 프로세서는 인쇄 회로 기판에 실장된 부품으로 패턴광을 조사하도록 시계 방향 또는 반시계 방향으로 이동된 복수의 제3 광원(710)을 제어하고, 부품으로부터 반사된 패턴광 및 제3 깊이 정보(411)를 이용하여 제4 깊이 정보(412)를 생성할 수 있다. 한편, 도 7에서는 복수의 제3 광원(710)의 수가 4인 것으로 설명하였으나, 이는 설명의 목적일 뿐, 이에 제한되는 것은 아니며, 제3 광원(710)은 복수가 아닌 하나일 수도 있다. 이와 같이, 제4 깊이 정보(412)는 복수의 제4 광원의 수보다 적은 수를 갖는 복수의 제3 광원을 포함하는 인쇄 회로 기판 검사 장치에서 생성될 수도 있다.
도 8은 본 개시의 다양한 실시예에 따른 인쇄 회로 기판 검사 장치에 의해 노이즈가 감소된 깊이 정보를 이용하여 생성된 부품에 대한 이미지를 도시한다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 복수의 제1 광원으로부터 인쇄 회로 기판에 실장된 부품에 조사된 패턴광 중, 부품으로부터 반사된 패턴광을 이용하여 부품에 대한 깊이 정보를 생성할 수 있다. 또한, 인쇄 회로 기판 검사 장치(100)는 생성된 깊이 정보를 이용하여, 부품에 대한 3차원 이미지를 생성할 수 있다. 다만, 인쇄 회로 기판에 조사된 광의 다중 반사 또는 이미지 센서가 수신된 광을 처리하는 과정 등에서 노이즈가 발생할 수 있다. 발생된 노이즈가 감소되지 않으면, 인쇄 회로 기판 검사 장치(100)가 생성하는 부품에 대한 3차원 이미지의 품질이 저하되고, 부품의 실장 상태에 대한 정확한 검사가 수행되지 못할 수 있다.
일 실시예에서, 인쇄 회로 기판 검사 장치(100)는 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성할 수 있다. 노이즈가 감소된 깊이 정보를 이용하여 생성된 3차원 이미지는 부품의 형상을 보다 정확하게 표시할 수 있으므로, 부품의 실장 상태에 대한 보다 정확한 검사가 수행될 수 있다.
도 8의 (a)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 노이즈를 감소시키지 않고 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품과 인쇄 회로 기판의 연결 부분(예: 솔더 페이스트 등)의 형상(810)이 3차원 이미지에서 비정상 형상으로 나타나거나 홀이 있는 것과 같이 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품과 인쇄 회로 기판의 연결 부분(예: 솔더 페이스트 등)의 형상(811)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
도 8의 (b)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 노이즈를 감소시키지 않고, 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품의 경계(edge)의 형상(820)이 3차원 이미지에서 비정상 형상으로 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품의 경계의 형상(821)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
도 8의 (c)를 참조하면, 인쇄 회로 기판 검사 장치(100)가 생성된 깊이 정보를 그대로 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 노이즈로 인하여, 부품 내부에 홀이 있는 것과 같이 부품의 내부 형상(830)이 3차원 이미지에서 비정상 형상으로 표시될 수 있다. 이에 반하여, 인쇄 회로 기판 검사 장치(100)가 머신-러닝 기반 모델을 이용하여 부품에 대한 깊이 정보에서 노이즈를 감소시키고, 노이즈가 감소된 깊이 정보를 이용하여 부품에 대한 3차원 이미지를 생성하는 경우, 부품의 내부 형상(831)이 3차원 이미지에서 보다 정확하게 표시될 수 있다.
이와 같이, 인쇄 회로 기판 검사 장치(100)가 노이즈가 감소된 깊이 정보를 이용하여 생성된 3차원 이미지를 통해 부품의 형상을 보다 정확하게 표시함으로써, 부품의 실장 상태에 대한 보다 정확한 검사가 수행될 수 있다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 개시의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.

Claims (20)

  1. 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치에 있어서,
    상기 부품에 패턴광을 조사하는 복수의 제1 광원;
    상기 부품으로부터 반사된 패턴광을 수신하는 이미지 센서;
    복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리; 및
    프로세서를 포함하고, 상기 프로세서는
    상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제2 깊이 정보를 생성하고,
    상기 제2 깊이 정보를 상기 머신-러닝 기반 모델에 입력하고,
    노이즈가 감소된 상기 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는, 인쇄 회로 기판 검사 장치.
  2. 제1항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  3. 제2항에 있어서,
    상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고,
    상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 큰, 인쇄 회로 기판 검사 장치.
  4. 제1항에 있어서,
    상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함하는, 인쇄 회로 기판 검사 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하고,
    상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는, 인쇄 회로 기판 검사 장치.
  6. 제1항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 제1 객체에 대한 비저빌리티(visibility) 정보가 더 입력되면, 상기 비저빌리티 정보를 이용하여, 상기 노이즈가 감소된 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  7. 제6항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제2 광원으로부터 조사된 패턴광 중 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보, 상기 복수의 제2 광원으로부터 조사된 상기 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 비저빌리티 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 상기 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 상기 제1 깊이 정보 및 부품에 대한 비저빌리티 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  8. 제6항에 있어서,
    상기 프로세서는,
    상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 비저빌리티 정보를 생성하고,
    상기 부품에 대한 비저빌리티 정보를 상기 머신-러닝 기반 모델에 더 입력하는, 인쇄 회로 기판 검사 장치.
  9. 인쇄 회로 기판에 실장된 부품의 실장 상태를 검사하는 인쇄 회로 기판 검사 장치에 있어서,
    상기 부품에 패턴광을 조사하는 복수의 제1 광원;
    상기 부품으로부터 반사된 패턴광을 수신하는 이미지 센서;
    복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 복수의 깊이 정보가 입력되면, 상기 제1 객체에 대한 복수의 깊이 정보에 기초하여 상기 제1 객체에 대한 제1 깊이 정보를 생성하고, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는 머신-러닝 기반 모델이 저장된 메모리; 및
    프로세서를 포함하고, 상기 프로세서는
    상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 복수의 깊이 정보를 생성하고,
    상기 부품에 대한 복수의 깊이 정보를 상기 머신-러닝 기반 모델에 입력하고,
    노이즈가 감소된 제2 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하고 - 상기 제2 깊이 정보는 상기 부품에 대한 복수의 깊이 정보에 기초하여 상기 머신-러닝 기반 모델에 의해 생성됨 - ,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사하는, 인쇄 회로 기판 검사 장치.
  10. 제9항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 복수의 깊이 정보를 이용하여, 상기 제2 객체에 대한 제3 깊이 정보를 생성하고,
    상기 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 상기 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 상기 제1 객체에 대한 복수의 깊이 정보가 입력되면, 상기 제1 깊이 정보를 생성하고, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 인쇄 회로 기판 검사 장치.
  11. 제10항에 있어서,
    상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고,
    상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 큰, 인쇄 회로 기판 검사 장치.
  12. 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서,
    상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가,
    인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계;
    이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계;
    상기 제1 깊이 정보를 머신-러닝 기반 모델에 입력하는 단계;
    노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계; 및
    상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사는 단계
    를 포함하고,
    상기 머신-러닝 기반 모델은,
    복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  13. 제12항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  14. 제13항에 있어서,
    상기 복수의 제2 광원의 수는 상기 복수의 제1 광원의 수와 동일하고,
    상기 복수의 제3 광원의 수는 상기 복수의 제1 광원의 수보다 큰, 컴퓨터 판독 가능한 기록 매체.
  15. 제12항에 있어서,
    상기 머신-러닝 기반 모델은 CNN(Convolution Neural Network) 또는 GAN(Generative Adversarial Network)을 포함하는, 인쇄 회로 기판 검사 장치.
  16. 제12항에 있어서,
    상기 실행 가능한 명령은, 상기 프로세서가,
    상기 노이즈가 감소된 상기 제2 깊이 정보를 이용하여, 상기 제2 부품에 대한 3차원 이미지를 생성하는 단계; 및
    상기 제2 부품에 대한 3차원 이미지를 이용하여, 상기 부품의 실장 상태를 검사하는 단계
    를 더 수행하도록 하는 컴퓨터 판독 가능한 기록 매체.
  17. 제12항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 제1 객체에 대한 비저빌리티(visibility) 정보가 더 입력되면, 상기 비저빌리티 정보를 이용하여, 상기 노이즈가 감소된 제1 깊이 정보를 출력하는, 컴퓨터 판독 가능한 기록 매체.
  18. 제17항에 있어서,
    상기 실행 가능한 명령은, 상기 프로세서가,
    상기 이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 비저빌리티 정보를 생성하는 단계; 및
    상기 부품에 대한 비저빌리티 정보를 상기 머신-러닝 기반 모델에 더 입력하는 단계
    를 더 수행하도록 하는, 컴퓨터 판독 가능한 기록 매체.
  19. 인쇄 회로 기판 검사 장치에서, 부품의 실장 상태를 검사하는 방법에 있어서,
    인쇄 회로 기판에 실장된 부품에 패턴광이 조사되도록 복수의 제1 광원을 제어하는 단계;
    이미지 센서에 의해 수신되는 상기 부품으로부터 반사된 상기 패턴광을 이용하여 상기 부품에 대한 제1 깊이 정보를 생성하는 단계;
    상기 제1 깊이 정보를 머신-러닝 기반 모델에 입력하는 단계;
    노이즈가 감소된 상기 제1 깊이 정보를 상기 머신-러닝 기반 모델로부터 획득하는 단계; 및
    상기 노이즈가 감소된 상기 제1 깊이 정보를 이용하여, 상기 부품의 실장 상태를 검사는 단계
    를 포함하고,
    상기 머신-러닝 기반 모델은,
    복수의 제2 광원으로부터 조사된 패턴광 중 제1 객체로부터 반사된 패턴광을 이용하여 생성되는 상기 제1 객체에 대한 제1 깊이 정보가 입력되면, 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 부품 실장 상태 검사 방법.
  20. 제19항에 있어서,
    상기 머신-러닝 기반 모델은,
    상기 복수의 제2 광원으로부터 조사된 패턴광 중, 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제3 깊이 정보 및 복수의 제3 광원으로부터 조사된 패턴광 중, 상기 제2 객체로부터 반사된 패턴광을 이용하여 생성된 상기 제2 객체에 대한 제4 깊이 정보를 이용하여, 노이즈가 감소된 제3 깊이 정보를 출력하도록 학습되고,
    상기 학습 결과에 기초하여, 제1 깊이 정보가 입력되면, 상기 노이즈가 감소된 상기 제1 깊이 정보를 출력하는, 부품 실장 상태 검사 방법.
PCT/KR2019/002330 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체 Ceased WO2019164382A1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
EP19756511.2A EP3761772B1 (en) 2018-02-26 2019-02-26 Method for inspecting mounting state of component, printed circuit board inspection apparatus, and computer readable recording medium
KR1020237035082A KR102716521B1 (ko) 2018-02-26 2019-02-26 인쇄 회로 기판 검사 장치 및 부품의 실장 상태를 검사하기 위한 방법
KR1020207024788A KR102473547B1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
KR1020227041178A KR20220163513A (ko) 2018-02-26 2019-02-26 인쇄 회로 기판 검사 장치 및 부품의 실장 상태를 검사하기 위한 방법
US16/976,006 US11328407B2 (en) 2018-02-26 2019-02-26 Method for inspecting mounting state of component, printed circuit board inspection apparatus, and computer readable recording medium
CN201980015619.0A CN111788883B (zh) 2018-02-26 2019-02-26 部件贴装状态的检查方法、印刷电路板检查装置及计算机可读记录介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862635022P 2018-02-26 2018-02-26
US62/635,022 2018-02-26

Publications (1)

Publication Number Publication Date
WO2019164382A1 true WO2019164382A1 (ko) 2019-08-29

Family

ID=67687308

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/KR2019/002330 Ceased WO2019164382A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
PCT/KR2019/002328 Ceased WO2019164381A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002328 Ceased WO2019164381A1 (ko) 2018-02-26 2019-02-26 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체

Country Status (5)

Country Link
US (2) US11244436B2 (ko)
EP (2) EP3761772B1 (ko)
KR (4) KR102716521B1 (ko)
CN (2) CN111788476B (ko)
WO (2) WO2019164382A1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11650164B2 (en) * 2019-05-15 2023-05-16 Getac Technology Corporation Artificial neural network-based method for selecting surface type of object
CN114073175B (zh) * 2019-07-04 2023-09-22 株式会社富士 元件安装系统
CN111126433A (zh) * 2019-11-19 2020-05-08 佛山市南海区广工大数控装备协同创新研究院 一种工厂pcb板缺陷检测中正负样本数据平衡方法
US12063745B2 (en) * 2020-05-05 2024-08-13 Integrated Dynamics Engineering Gmbh Method for processing substrates, in particular wafers, masks or flat panel displays, with a semi-conductor industry machine
KR102459695B1 (ko) 2020-11-03 2022-10-28 주식회사 고영테크놀러지 실장 정보를 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
CN116507907A (zh) * 2020-11-30 2023-07-28 柯尼卡美能达株式会社 分析装置、检查系统及学习装置
CN113032919B (zh) 2021-03-12 2022-03-04 奥特斯科技(重庆)有限公司 部件承载件制造方法、处理系统、计算机程序和系统架构
DE102021114568A1 (de) 2021-06-07 2022-12-08 Göpel electronic GmbH Inspektionsvorrichtung zum prüfen von elektronischen bauteilen
JP7542159B2 (ja) * 2021-09-07 2024-08-29 ヤマハ発動機株式会社 部品実装システム
CN114018934B (zh) * 2021-11-03 2023-11-03 四川启睿克科技有限公司 一种用于弧形金属表面缺陷检测的成像系统
KR102455733B1 (ko) * 2022-02-11 2022-10-18 주식회사 지오스테크놀러지 트랜지스터 아웃라인 패키지 제조 장치 및 이의 제조 방법
KR102770142B1 (ko) * 2022-02-24 2025-02-20 (주)아이피에스오토 Ai 비전인식을 이용한 볼트 검사장치
WO2023159298A1 (en) * 2022-02-28 2023-08-31 National Research Council Of Canada Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices
JP2023177552A (ja) * 2022-06-02 2023-12-14 キヤノン株式会社 記録装置、制御方法、およびプログラム
CN119183518A (zh) * 2022-08-31 2024-12-24 株式会社Lg新能源 基于学习模型的尺寸测量设备和方法
JP2024135247A (ja) * 2023-03-22 2024-10-04 株式会社東芝 光学検査方法及びプログラム、並びにそれを用いた光学検査装置
CN116007526B (zh) * 2023-03-27 2023-06-23 西安航天动力研究所 一种膜片刻痕深度自动测量系统及测量方法
DE102023113821A1 (de) * 2023-05-25 2024-11-28 ibea Ingenieurbüro für Elektronik und Automatisation GmbH Inspektionsvorrichtung für Baustoffe und Verfahren zur Inspektion von Baustoffen
KR102801231B1 (ko) * 2024-08-27 2025-04-30 주식회사 아이브 광을 활용하여 제품의 결함 검사를 수행하는 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0989797A (ja) * 1995-09-25 1997-04-04 Omron Corp 実装基板検査装置
KR20020046636A (ko) * 2000-12-15 2002-06-21 송재인 인쇄회로기판의 납땜검사 시스템 및 방법
KR20110088967A (ko) * 2010-01-29 2011-08-04 주식회사 고영테크놀러지 소자의 불량 검사방법
KR101311215B1 (ko) * 2010-11-19 2013-09-25 경북대학교 산학협력단 기판 검사방법
KR101684244B1 (ko) * 2011-03-02 2016-12-09 주식회사 고영테크놀러지 기판 검사방법

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7352892B2 (en) * 2003-03-20 2008-04-01 Micron Technology, Inc. System and method for shape reconstruction from optical images
KR100834113B1 (ko) 2006-11-10 2008-06-02 아주하이텍(주) 자동 광학 검사 시스템
KR101190122B1 (ko) 2008-10-13 2012-10-11 주식회사 고영테크놀러지 다중파장을 이용한 3차원형상 측정장치 및 측정방법
DE102010064593A1 (de) * 2009-05-21 2015-07-30 Koh Young Technology Inc. Formmessgerät und -verfahren
DE202010018585U1 (de) * 2009-05-27 2017-11-28 Koh Young Technology Inc. Vorrichtung zur Messung einer dreidimensionalen Form
DE102010064635B4 (de) 2009-07-03 2024-03-14 Koh Young Technology Inc. Verfahren zum Untersuchen eines Messobjektes
US9091725B2 (en) 2009-07-03 2015-07-28 Koh Young Technology Inc. Board inspection apparatus and method
KR101078781B1 (ko) 2010-02-01 2011-11-01 주식회사 고영테크놀러지 3차원 형상 검사방법
US8855403B2 (en) * 2010-04-16 2014-10-07 Koh Young Technology Inc. Method of discriminating between an object region and a ground region and method of measuring three dimensional shape by using the same
US8755043B2 (en) 2010-11-19 2014-06-17 Koh Young Technology Inc. Method of inspecting a substrate
US9819879B2 (en) * 2011-07-12 2017-11-14 Samsung Electronics Co., Ltd. Image filtering apparatus and method based on noise prediction using infrared ray (IR) intensity
US8971612B2 (en) 2011-12-15 2015-03-03 Microsoft Corporation Learning image processing tasks from scene reconstructions
KR101215083B1 (ko) * 2011-12-27 2012-12-24 경북대학교 산학협력단 기판 검사장치의 높이정보 생성 방법
JP5863547B2 (ja) 2012-04-20 2016-02-16 ヤマハ発動機株式会社 プリント基板の検査装置
JP5948496B2 (ja) 2012-05-22 2016-07-06 コー・ヤング・テクノロジー・インコーポレーテッド ３次元形状測定装置の高さ測定方法
US20140198185A1 (en) * 2013-01-17 2014-07-17 Cyberoptics Corporation Multi-camera sensor for three-dimensional imaging of a circuit board
JP2014157086A (ja) 2013-02-15 2014-08-28 Dainippon Screen Mfg Co Ltd パターン検査装置
JP2016518747A (ja) * 2013-03-15 2016-06-23 イェール ユニバーシティーＹａｌｅ Ｕｎｉｖｅｒｓｉｔｙ センサー依存性ノイズを有する画像化データを処理するための技術
KR20150022158A (ko) 2013-08-22 2015-03-04 (주)토탈소프트뱅크 기계제도 학습장치 및 학습방법
KR20150023205A (ko) * 2013-08-23 2015-03-05 주식회사 고영테크놀러지 기판 검사방법 및 이를 이용한 기판 검사시스템
JP6296499B2 (ja) 2014-08-11 2018-03-20 株式会社 東京ウエルズ 透明基板の外観検査装置および外観検査方法
CN107003255B (zh) 2014-12-08 2020-06-30 株式会社高迎科技 在基板上形成的部件的端子检查方法及基板检查装置
KR101622628B1 (ko) * 2014-12-16 2016-05-20 주식회사 고영테크놀러지 부품이 실장된 기판 검사방법 및 검사장치
US20160321523A1 (en) * 2015-04-30 2016-11-03 The Regents Of The University Of California Using machine learning to filter monte carlo noise from images
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
CN105891215B (zh) * 2016-03-31 2019-01-29 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN105913427B (zh) * 2016-04-12 2017-05-10 福州大学 一种基于机器学习的噪声图像显著性检测方法
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
WO2018188466A1 (en) 2017-04-12 2018-10-18 Bio-Medical Engineering (HK) Limited Automated steering systems and methods for a robotic endoscope

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0989797A (ja) * 1995-09-25 1997-04-04 Omron Corp 実装基板検査装置
KR20020046636A (ko) * 2000-12-15 2002-06-21 송재인 인쇄회로기판의 납땜검사 시스템 및 방법
KR20110088967A (ko) * 2010-01-29 2011-08-04 주식회사 고영테크놀러지 소자의 불량 검사방법
KR101311215B1 (ko) * 2010-11-19 2013-09-25 경북대학교 산학협력단 기판 검사방법
KR101684244B1 (ko) * 2011-03-02 2016-12-09 주식회사 고영테크놀러지 기판 검사방법

Also Published As

Publication number Publication date
US20210042910A1 (en) 2021-02-11
EP3761013A1 (en) 2021-01-06
KR102716521B1 (ko) 2024-10-16
EP3761772A1 (en) 2021-01-06
KR20230150886A (ko) 2023-10-31
US11328407B2 (en) 2022-05-10
KR102473547B1 (ko) 2022-12-05
KR20200108905A (ko) 2020-09-21
EP3761013A4 (en) 2021-05-12
KR20200108483A (ko) 2020-09-18
CN111788476A (zh) 2020-10-16
CN111788476B (zh) 2023-07-07
US11244436B2 (en) 2022-02-08
EP3761772A4 (en) 2021-04-28
WO2019164381A1 (ko) 2019-08-29
EP3761772B1 (en) 2025-07-23
KR20220163513A (ko) 2022-12-09
EP3761772C0 (en) 2025-07-23
CN111788883B (zh) 2021-11-05
KR102427381B1 (ko) 2022-08-02
CN111788883A (zh) 2020-10-16
US20210049753A1 (en) 2021-02-18

Similar Documents

Publication Publication Date Title
WO2019164382A1 (ko) 부품의 실장 상태를 검사하기 위한 방법, 인쇄 회로 기판 검사 장치 및 컴퓨터 판독 가능한 기록매체
TWI761880B (zh) 基板缺陷檢查裝置、方法、電腦可讀記錄介質及電腦程式產品
WO2018147712A1 (ko) 인쇄 회로 기판에 실장된 부품을 검사하는 장치, 그 동작 방법 및 컴퓨터 판독 가능한 기록 매체
KR20120083854A (ko) 조정 장치, 레이저 가공 장치 및 조정 방법
US11971367B2 (en) Inspection device and inspection method
WO2017183923A1 (ko) 물품의 외관 검사장치 및 이를 이용한 물품의 외관 검사방법
CN109581824B (zh) 一种直写式光刻机光均匀性标定方法及系统
JP2020139765A (ja) 検査装置、検査システム、検査方法、およびプログラム
JP2009014696A (ja) 照度可変照明部及び撮像部の独立可動における外観検査装置
JP2007192652A (ja) パターン検査装置、パターン検査方法、及び検査対象試料
JP6184746B2 (ja) 欠陥検出装置、欠陥修正装置および欠陥検出方法
CN102794771A (zh) 机械手臂校正系统及方法
JP2006275780A (ja) パターン検査方法
US10269105B2 (en) Mask inspection device and method thereof
JP2023109897A (ja) 学習装置、検査装置、アライメント装置および学習方法
WO2019132599A1 (ko) 기판에 삽입된 복수의 핀의 삽입 상태를 검사하는 방법 및 기판 검사 장치
JP4526348B2 (ja) シェーディング補正装置及び方法
WO2019132601A1 (ko) 기판에 삽입된 커넥터에 포함된 복수의 핀의 삽입 상태를 검사하는 방법 및 기판 검사 장치
CN120129829A (zh) 基片检查方法、基片检查装置和基片检查程序
KR20240035661A (ko) 멀티어레이 센서를 이용한 레이저 가공 모니터링 방법 및 장치
WO2025014131A1 (ko) 코팅 두께를 검사하는 장치, 방법 및 명령을 기록한 기록 매체
JP4211409B2 (ja) 基板検査装置および検査方法
CN111091779A (zh) 显示屏调试方法、装置、设备及计算机可读存储介质
JPH04225173A (ja) 回路基板検査装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19756511

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20207024788

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019756511

Country of ref document: EP

Effective date: 20200928

WWG Wipo information: grant in national office

Ref document number: 2019756511

Country of ref document: EP