FPCB 표면 결함 검출에 하이퍼 스펙트럼 영상 기술의 적용

 I. 기존 비전 검사의 한계

연성 인쇄 회로 기판(FPCB)은 우수한 굽힘성과 방열 능력으로 인해 스마트폰, 플렉서블 디스플레이, 웨어러블 기기 등 다양한 분야에서 널리 사용되고 있습니다. 회로 집적도가 계속 증가함에 따라 표면 결함의 종류는 점점 더 복잡해지고 있으며, 일반적인 결함으로는 단락, 개방 회로, 돌출, 백색점, 흑색점, 홀 파손 등이 있습니다.

기존 검출 방법에서는 RGB 이미지 기반의 템플릿 매칭이 널리 사용됩니다. 이 방법은 표준 이미지와 테스트 중인 이미지를 비교하여 비정상 영역을 찾습니다. 그러나 이러한 방법은 조명 조건에 민감하며, 빛 분포가 고르지 않으면 잘못된 검출이나 누락된 검출이 발생하기 쉽습니다. 또한, 일부 결함은 정상적인 회로 구조와 형태학적으로 유사하여 가시광선 이미지에만 의존해서는 정확하게 구별하기 어렵습니다.

II. 초분광 이미징 시스템 구축

검출 안정성을 향상시키기 위해 본 연구에서는 초분광 현미경 이미징 시스템을 구축했습니다. 이 시스템은 초분광 카메라, 현미경, 획득 소프트웨어로 구성됩니다. 그중 초분광 카메라는 CHNSpec의 FS-23 모델을 채택했으며, 400~1000nm의 스펙트럼 범위와 2.5nm의 스펙트럼 해상도를 특징으로 합니다.

카메라는 라인 스캔 방식을 사용하여 이미징하며, 원시 데이터는 1200개의 밴드를 포함합니다. 처리를 용이하게 하기 위해 본 연구에서는 인접한 4개의 밴드를 하나로 병합하여 최종적으로 300개의 밴드로 구성된 데이터 구조를 얻었습니다. 단일 초분광 이미지의 크기는 1920 x 960 픽셀 x 300 밴드로, 구리 도체와 폴리이미드 기판의 완전한 스펙트럼 정보를 포함합니다.

초분광 이미징의 장점은 각 픽셀에 대해 연속적인 스펙트럼 곡선을 얻을 수 있다는 것입니다. 본 연구에서는 500~750nm 파장 범위에서 구리와 폴리이미드의 스펙트럼 응답에 상당한 차이가 있음을 발견했으며, 이는 후속 이미지 분할 및 재질 식별에 대한 신뢰할 수 있는 기반을 제공합니다.

III. 스펙트럼 정보 기반 검출 방법

본 연구에서 제안하는 검출 프레임워크는 결함 국소화를 위한 FPCB-LocNet과 결함 분류를 위한 FPCB-ClaNet의 두 가지 하위 네트워크로 구성됩니다.

국소화 단계에서 FPCB-LocNet은 다중 스케일 3D 컨볼루션 커널을 사용하여 공간 및 스펙트럼 차원 모두에서 동시에 특징을 추출합니다. 네트워크에서는 두 가지 다른 크기의 컨볼루션 커널을 사용하여 각각 국소 공간 구조와 스펙트럼 특징에 집중하며, 다른 스케일의 특징은 잔차 구조를 통해 융합됩니다. 이러한 설계는 네트워크가 미세한 공간 질감과 연속적인 스펙트럼 변화를 동시에 포착하여 구리와 폴리이미드의 픽셀 단위 분할을 달성할 수 있도록 합니다. 분할이 완료된 후 템플릿 매칭을 통해 비정상 영역을 국소화합니다.

분류 단계에서는 초분광 샘플 수가 제한적인 점을 고려하여, 네트워크는 전이 학습 전략을 채택하여 먼저 FPCB RGB 이미지 데이터셋으로 사전 학습한 후 의사 컬러 이미지로 미세 조정합니다. 다양한 결함 범주에 대한 샘플 수의 불균형 문제를 해결하기 위해 네트워크에 범주별 균형 샘플링 및 가중치 감소 전략을 도입하여 모델이 샘플 수가 적은 결함 유형에 더 집중하도록 합니다. 동시에 SE 어텐션 메커니즘을 내장하여 네트워크가 핵심 특징에 집중하도록 강화합니다.

IV. 실험 결과 및 응용 가치

이미지 분할 측면에서 FPCB-LocNet은 고르지 않은 조명의 이미지를 처리할 때 엔트로피 방법, 워터셰드 알고리즘, Otsu와 같은 기존 분할 방법보다 우수한 성능을 보이며, 분할 정확도는 97.86%에 달합니다. 분류 작업에서는 FPCB-ClaNet의 6가지 일반적인 결함 유형에 대한 종합 분류 정확도는 97.84%입니다.

제거 실험을 통해 각 모듈의 실제 기여도를 검증했습니다. 데이터 증강은 분류 정확도를 향상시켰고, 범주별 균형 샘플링 및 가중치 감소는 꼬리 범주의 인식 효과를 효과적으로 개선했으며, SE 어텐션 메커니즘은 적은 수의 매개변수를 추가하면서도 분류 성능에 안정적인 향상을 가져왔습니다. Grad-CAM 히트맵의 시각화 결과는 모델의 관심 영역이 실제 결함 위치와 매우 일치함을 보여줍니다.

본 연구는 초분광 이미징과 딥러닝을 결합하여 데이터 획득, 이미지 분할, 결함 국소화부터 결함 분류까지 완전한 처리 체인을 구축했습니다. 이 방법은 특정 조명 조건에 의존하지 않고 FPCB 표면 결함의 식별 작업을 안정적으로 완료할 수 있으며, 고밀도 연성 회로 기판의 제조 품질 관리를 위한 실현 가능한 기술 경로를 제공합니다.

제품 추천: FigSpec FS-23 이미징 초분광 카메라

• 이미지 해상도: 1920*1920
• 스펙트럼 범위: 400-1000nm
• 스펙트럼 해상도 (FWHM): 2.5nm
• 스펙트럼 채널 수: 1200