AI 딥러닝을 활용한 RGBA 색 공간으로 반도체 칩 분류 및 칩 이상 검출에 관한 연구
Research on Semiconductor Chip Classification and Defect Detection Using AI Deep Learning with RGBA Color Space
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 정부의 AI 및 반도체 인재 양성 정책에 부응하여, 본 연구는 AI 딥러닝 기술을 활용하여 RGBA 색 공간에서 반도체 칩을 효과적으로 분류하고 결함을 검출하는 방법을 제안하고 있다. 반도체 칩의 품질 보증과 결함 검출은전자 기기의 신뢰성과 성능을 보장하는 데 필수적이다. 그러나 전통적인 검사 방법은 주로 시각적 검사 와 기계 측정, 전기적 테스트를 포함하며, 이러한 방법은 시간이 많이 소요 되고, 최첨단 장비의 비용이 많이 들고 검사로 인해 많은생산 환경에 비효율적 이라는 것이다. 이를 해결하기 위해 딥러닝 기반의 이미지 분석 기법이 자동화된 검사 시스템에서 주목받고 있다. 이번 실험을 통해 RGBA 색 공간을 활용한 딥러닝 모델이 반도체 칩의 결함 검출 및 분류에서 뛰어난 성능을 발휘함을 확인하였다. 특히 알파 채널을 포함한 RGBA 색 공간이 기존 RGB 색 공간 모델보다 결함 검출에있어 더 정확하고 정밀한 결과를 적은 학습으로도 제공한다. 이번 실험 결과는 RGBA 색 공간이 딥러닝 기반 결함 검출시스템에서 중요한 역할을 할 수 있음을 시사하며, 향후 다양한 데이터셋과 조건에서의 추가 실험을 통해 이 방법의활용 범위를 넓힐 수 있을 것이다. 이러한 모델은 반도체 제조 공정의 자동화와 품질 향상에 기여할 가능성이 크다. 본 연구는 RGBA 색 공간의 장점을 활용하여 반도체 칩 검사 과정의 정확성과 효율성을 향상시키고자 한다.
Abstract
In response to the recent government's AI and semiconductor talent training policy, this study proposes a method of effectively classifying semiconductor chips and detecting defects in RGBA color space using AI deep learning technology. Quality assurance and defect detection of semiconductor chips are essential to ensure the reliability and performance of electronic devices. However, traditional inspection methods mainly include visual inspection, mechanical measurement, and electrical testing, which are time-consuming, expensive for state-of-the-art equipment, and inefficient for many production environments due to inspection. To solve this problem, image analysis techniques based on deep learning are attracting attention in automated inspection systems. Through this experiment, it was confirmed that the deep learning model using RGBA color space shows excellent performance in defect detection and classification of semiconductor chips. In particular, RGBA color space including alpha channel provides more accurate and precise results for defect detection than conventional RGB color space models with less learning. The results of this experiment suggest that the RGBA color space can play an important role in the deep learning-based defect detection system, and further experiments in various datasets and conditions will expand the scope of the method's use in the future. Such a model is highly likely to contribute to the automation and quality improvement of the semiconductor manufacturing process. This study aims to improve the accuracy and efficiency of the semiconductor chip inspection process by utilizing the advantages of RGBA color space.
참고문헌 (15)
- J. S. Cho, "Development of Measure Similarity System between Stolen Image and Original Image Based on Deep Learning", Journal of Digital Contents Society, 25(8), pp.2302~2310 (2024)
- J. W. Han, "Dataset Construction and Learning for Deep Learning-Based Epoxy Application Defect Detection System", Journal of Korean Institute of Intelligent Systems, 34(4), pp.285~292 (2024)
- C. Chae, "Smart Fusion Agriculture Based on Internet of Things", Journal of the Korea Convergence Society, 7(4), pp.30~40 (2016)
- C. J. Sim, "Analysis of 'IoT' Patents Based on IPC Codes for Technical Convergence", Journal of Korea Electronics and Telecommunications Research, 9(3), pp.266~278 (2016)
- K. B. Kim, "Regulatory Improvement for IoT and Big Data Convergence", Journal of the Korea Convergence Society, 8(1), pp.20~30 (2017)
- J. E. Jeong, "A Deep Learning-Based Data Augmentation Technique for Mixed Tabular Data", The Journal of Society for e-Business Studies, 28(4), pp.7~9 (2023)
- B. Peng, "Implementation of IoT-Based Hydroponic Cultivation System", Journal of IoT Convergence, 9(4), pp.66~70 (2023)
- J. H. Lee, "Research on Exploring Optimal Deep Learning Models for Apple Quality Prediction Based on Embedded Systems", Journal of KIIT, 22(5), pp.61~70 (2024)
- N. Han, "Application Case Analysis of Fourth Industrial Revolution and Sports Convergence Industry", Journal of Sports and Convergence Society, 12(5), pp.45~56 (2020)
- J. W. Park, "Development of Advanced Data Augmentation Techniques for Defect Classification in Semiconductor Manufacturing", Journal of KIIT, 23(5), pp.55~64 (2023)
- B. S. Lee, "Application of Deep Learning Techniques for Enhancing the Precision of Semiconductor Defect Inspection", Journal of Intelligent Manufacturing Systems, 19(4), pp.320~328 (2024)
- J. B. Seo, "Image Processing-Based Diagnosis Algorithm for Dementia Using Iris", Proceedings of Women's ICT Conference of the Korean Association of Information and Communication, pp.40~47 (2019)
- K. H. Jung, "RGBA Color Space-Based Industrial Image Analysis Using Multi-Channel Neural Networks", Journal of Korean Society of Visual Information Processing, 30(6), pp.95~102 (2022)
- J. S. Kim, "A Comparative Study of RGBA and RGB Color Spaces in High-Precision Defect Detection", Journal of Korean Institute of Intelligent Systems, 34(2), pp.221~230 (2023)
- H. J. Choi, "Future Trends and Challenges in IoT-Based Smart Systems", Journal of the Korea Convergence Society, 10(2), pp.40~50 (2024)