인사이트 / 블로그

이차전지나 반도체 제조 공정에서는 눈에 보이지 않는 미세입자가 제품의 안전성과 성능에 영향을 미칩니다. 배터리 양극재 가루의 크기가 불균일하거나 입자가 깨지면 안전성이나 효율 저하로 이어질 수 있고, 반도체 웨이퍼 연마제에 기준보다 큰 입자가 섞이면 표면 결함이나 치명적인 스크래치로 이어질 수 있습니다.

주사전자현미경(SEM)으로 대면적 이미지를 촬영해 수천 개 입자의 크기와 형태를 정확하게 관찰해야 합니다. 입자의 물리적 상태는 제조 장비의 온도나 압력 같은 공정 상태를 보여주는 중요한 지표입니다.

도입 배경 : 수천 개 미세입자의 수동 샘플링 한계

정밀 계측 장비기업 A사는 대면적 현미경 이미지 한 장에 찍히는 수천 개의 입자를 분석하는 데 어려움을 겪었습니다. 작업자가 눈으로 입자를 확인하고 분류해 분석자마다 판정 기준이 달라졌고, 대량의 데이터를 대조하는 데에도 많은 시간이 필요했습니다.

결국 수많은 입자 중 일부만 골라내는 샘플링 방식에 의존해야 했습니다. 이로 인해 전체 입자의 분포 흐름을 놓치거나 공정 장비의 이상을 알려주는 희귀 패턴 입자를 발견하지 못하는 분석 사각지대가 생겼습니다.

적용 방식 : 군집화·멀티모달 분석·AutoML 기반 자동 분류

써로마인드는 전자현미경 이미지에서 입자의 형태와 크기 정보를 자동으로 추출하고, 유사한 패턴을 가진 입자끼리 자동으로 묶어주는 분석 파이프라인을 구축했습니다.

• Consensus clustering 기반 그룹 분류: 여러 AI 알고리즘을 결합해 입자를 신뢰도 높은 그룹으로 자동 분류
• Multimodal clustering 기반 복합 분석: 입자의 시각적 형태와 실제 측정 수치 데이터를 함께 분석
• AutoML 기반 프로세스 자동화: 현장 작업자가 데이터를 입력하면 분류 모델 구성과 평가 과정을 단축
• 분석 결과 평가 및 시각화: 군집화와 분류 결과를 화면에서 직관적으로 검증

도입 결과 : 분석 시간 5일에서 10분 내외로 단축

운영 효과 : 희귀 패턴 중심의 공정 원인 분석

AI가 사람을 밀어내는 것이 아니라, 사람이 더 가치 있는 분석에 집중하도록 반복 작업을 대신하는 구조입니다.

과거에는 현장 분석가들이 현미경 사진 속 수천 개의 입자를 눈으로 비교하느라 장시간을 투입해야 했고, 정작 입자가 왜 깨졌는지 원인을 분석할 시간은 부족했습니다.

이제 AI가 대면적 이미지 전체를 10분 수준으로 분석하고 비슷한 형태를 가진 입자끼리 분류해 지도 형태로 시각화합니다. 품질 관리자는 입자 분포 흐름을 한눈에 파악하고, 일반적인 형태에서 벗어난 특이 입자나 희귀 패턴 그룹을 골라 불량 원인을 집중적으로 추적할 수 있습니다.