인사이트 / 블로그

반도체 패키징 공정의 와이어 본딩 단계에서는 극도로 미세한 부품을 사용합니다. 이 부품에 발생하는 아주 작은 균열, 파손, 형상 차이는 전체 반도체 품질에 직접 영향을 미칩니다.

부품 크기가 워낙 작고 검사 기준이 까다롭기 때문에 사람이 눈으로 확인하면 판정 속도가 떨어지고 기준도 흔들리기 쉽습니다.

도입 배경 : 초정밀 부품 육안검사의 판정 편차

반도체 패키징 부품 제조기업 A사는 검사자가 모니터 화면을 보며 양품, 불량, 재가공 대상을 일일이 분류했습니다. 검사 물량이 늘어날수록 처리 시간이 길어졌고, 재가공 가능한 부품과 폐기해야 할 불량품을 구분하는 과정에서 검사자별 판정 편차가 발생했습니다.

이로 인해 살릴 수 있는 부품을 폐기하거나 불량품이 다음 공정으로 넘어갈 가능성이 있었습니다. 반복 검사 공정에서 품질 기준을 일관되게 유지하면서 처리 속도를 높이는 AI Vision 검사 시스템이 필요했습니다.

적용 방식 : 부품 영역 추출과 다단계 AI 판정

써로마인드는 검사 이미지에서 부품 영역을 자동으로 포착하고, 품질 상태를 3가지 단계로 분류하는 통합 AI Vision 검사 시스템을 구축했습니다.

• 부품 영역 자동 분리: 원본 검사 이미지에서 대상 부품 영역을 찾아 부품별 검사 단위로 정리
• 다단계 판정 알고리즘: 양품을 1차로 걸러낸 뒤 남은 부품을 불량과 재가공 대상으로 판정
• AI 학습 자동화(AutoML): 여러 검사 모델의 성능을 자동 비교하고 우수 모델을 선택해 적용
• 선순환 운영 프로세스: 현장 피드백으로 판정 결과를 보정하고 AI 모델을 다시 학습하는 파이프라인 연결

도입 결과 : 검사 시간 약 90% 단축과 최종 정확도 97% 이상

운영 효과 : 재가공 판단과 현장 피드백 선순환

이번 프로젝트의 핵심은 단순한 이미지 분류를 넘어 현장 작업자의 피로도를 낮추고 제조 원가를 아끼는 데 있습니다.

과거에는 수천 개의 미세 부품 이미지를 온종일 들여다보느라 검사자의 집중력이 떨어지고 판정 기준이 흔들릴 수 있었습니다. 이제 AI Vision이 부품의 위치를 99% 정확도로 찾아내고 명확한 양품과 불량을 먼저 분류합니다. 작업자는 AI가 애매하게 판정했거나 재가공이 필요하다고 분류한 부품만 최종 확인합니다.

검사 시간은 27분에서 2분 40초로 줄어 공정 병목을 완화했습니다. 살릴 수 있는 부품을 더 일관되게 골라내 재가공 판단의 정확성과 생산성을 높일 수 있게 되었습니다.