인사이트 / 블로그

반도체 검사부품은 작은 결함이 품질과 신뢰성에 직접 영향을 줄 수 있습니다. AOI 장비가 많은 결함 후보를 빠르게 찾아내더라도 과검이 높으면 후속 리뷰 업무가 늘어나고, 실제 불량 판정까지 이어지는 전체 품질관리 비용이 커집니다.

반도체 검사부품 제조기업 A사는 이미 구축해둔 AOI 검사 공정은 유지하면서, AOI가 검출한 이미지와 판정 결과를 AI Vision으로 다시 분류해 과검 부담을 줄이고 결함 판정의 신뢰도를 높이고자 했습니다.

도입 배경 : 기존 AOI 검사의 과검과 리뷰 공정 부담

기존 AOI 검사에서는 과검률이 높아 리뷰 공정 부담이 컸습니다. 결함 후보가 많이 올라와도 실제 불량을 빠르게 구분하지 못하면 검사 속도와 품질관리 효율이 함께 떨어집니다.

고객사는 기존 검사 장비와 공정 투자를 그대로 활용하면서, AOI의 고질적인 과검 이슈를 보완할 수 있는 별도 AI Vision 구조가 필요했습니다.

적용 방식 : AOI 후단 AI Vision 기반 검사 이미지 재분류

써로마인드는 기존 AOI 공정을 대체하지 않고, AOI 후단에 AI Vision 모델을 결합해 검사 이미지 데이터를 정밀하게 재분류하는 구조를 설계했습니다.

• 검사 이미지 기반 결함 데이터 구성
• 결함 유형별 라벨링 및 모델 학습
• 검사 서버와 레시피 에디터 구성
• 라벨링 툴, 모델 학습, 모델 배포, 검사 로그 관리 흐름 설계
• 기존 AOI 장비 연동과 실제 운영 환경을 고려한 적용 검토

도입 결과 : 과검 후보 감소와 평균 정확도 98.1%

운영 효과 : Review 시간 65% 절감과 검사 공정 생산성 10% 향상

AOI 검사는 빠르게 많은 후보를 잡아내는 데 강점이 있지만, 과검이 높으면 사람이 다시 확인해야 하는 일이 늘어납니다. 이 프로젝트는 기존 검사 장비와 AOI 공정을 그대로 유지하면서, 그 후단에서 AI Vision이 검사 결과를 보완해 리뷰가 필요한 후보를 더 정밀하게 좁히는 방향으로 설계되었습니다.

핵심은 단일 모델 성능만이 아닙니다. 검사 서버, 레시피 에디터, 라벨링, 모델 학습과 배포, 로그 관리까지 포함해 실제 공정에서 운영 가능한 품질검사 흐름을 만드는 것이 중요했습니다.

검증 데이터 기준 모델 평균 정확도는 AI Vision이 미세 검사부품의 품질검사 흐름을 얼마나 정밀하게 보완할 수 있는지 보여줍니다. 또한 검수자가 확인해야 할 후보가 줄어들면서 Review 시간이 0.4h에서 0.14h로 감소했고, 검사 공정 생산성도 10% 향상되었습니다.