QFN(Quad Flat No-leads package)은 SMD(Surface Mount Device) 자재 중의 하나로써, 납땜을 하는 lead 부분이 따로 있지 않아 납땜에 대한 불량이 많이 발생하고 있다. 따라서 본 논문에서는 QFN의 납땜에 대한 불량을 검출하는 기법을 제안하고자 한다. 우리는 QFN의 납땜에 대한 불량 검출을 위해 기계학습 방법 중 하나인 Convolutional Neural Network(CNN)을 사용하였고, CNN에 학습을 시키기 위한 데이터로는 납땜을 한 QFN 컬러 다단 영상을 사용하였다. 이 영상은 3채널 컬러 영상으로, 이를 바로 CNN에 적용시켜 학습시키기에는 문제가 있다. 그렇기 때문에 3채널 컬러 영상을 세개의 1채널 Grayscale 영상(Red, Green, Blue)로 분리시켜 CNN에 적용시켰다. 이렇게 학습시킨 결과를 이용하여 QFN의 납땜에 대한 불량을 검출할 수 있었다. 현재는 Dicing과 Punch에 대해서만 테스트를 해보았기 때문에, 추후에 이를 제외한 다른 것들에 대한 추가적인 연구가 필요하다.
QFN(Quad Flat No-leads package)은 SMD(Surface Mount Device) 자재 중의 하나로써, 납땜을 하는 lead 부분이 따로 있지 않아 납땜에 대한 불량이 많이 발생하고 있다. 따라서 본 논문에서는 QFN의 납땜에 대한 불량을 검출하는 기법을 제안하고자 한다. 우리는 QFN의 납땜에 대한 불량 검출을 위해 기계학습 방법 중 하나인 Convolutional Neural Network(CNN)을 사용하였고, CNN에 학습을 시키기 위한 데이터로는 납땜을 한 QFN 컬러 다단 영상을 사용하였다. 이 영상은 3채널 컬러 영상으로, 이를 바로 CNN에 적용시켜 학습시키기에는 문제가 있다. 그렇기 때문에 3채널 컬러 영상을 세개의 1채널 Grayscale 영상(Red, Green, Blue)로 분리시켜 CNN에 적용시켰다. 이렇게 학습시킨 결과를 이용하여 QFN의 납땜에 대한 불량을 검출할 수 있었다. 현재는 Dicing과 Punch에 대해서만 테스트를 해보았기 때문에, 추후에 이를 제외한 다른 것들에 대한 추가적인 연구가 필요하다.
QFN(Quad Flat No-leads package) is one of the SMD(Surface Mount Device). Since there is no lead in QFN, there are many defects on solder. Therefore, we propose an efficient mechanism for QFN solder defect detection at this paper. For this, we employ Convolutional Neural Network(CNN) of the Machine L...
QFN(Quad Flat No-leads package) is one of the SMD(Surface Mount Device). Since there is no lead in QFN, there are many defects on solder. Therefore, we propose an efficient mechanism for QFN solder defect detection at this paper. For this, we employ Convolutional Neural Network(CNN) of the Machine Learning algorithm. QFN solder's color multi-layer images are used to train CNN. Since these images are 3-channel color images, they have a problem with applying to CNN. To solve this problem, we used each 1-channel grayscale image(Red, Blue, Green) that was separated from 3-channel color images. We were able to detect QFN solder defects by using this CNN. Later, further research is needed to detect other QFN.
QFN(Quad Flat No-leads package) is one of the SMD(Surface Mount Device). Since there is no lead in QFN, there are many defects on solder. Therefore, we propose an efficient mechanism for QFN solder defect detection at this paper. For this, we employ Convolutional Neural Network(CNN) of the Machine Learning algorithm. QFN solder's color multi-layer images are used to train CNN. Since these images are 3-channel color images, they have a problem with applying to CNN. To solve this problem, we used each 1-channel grayscale image(Red, Blue, Green) that was separated from 3-channel color images. We were able to detect QFN solder defects by using this CNN. Later, further research is needed to detect other QFN.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또 이전까지는 QFN의 납땜에 대한 불량을 자동으로 검출하기 위한 연구가 활발히 이루어지지 않았다. 따라서 본 논문에 서는 QFN의 납땜에 대한 불량 검출 방법을 제안 하고자 한다.
본 논문에서는 QFN의 종류인 Dicing과 Punch 에 대하여 실험을 하였다. 실험을 위한 전체 데이 터의 개수는 Dicing 229개(정상 201개, 불량 28개), Punch 144개(정상 137개, 불량 7개)이며 학습 세트와 테스트 세트의 비율을 조정하면서 실험을 진행하였다.
본 논문에서는 납땜 하는 부분이 없는 QFN의 납땜 상태에 대한 불량 검출을 하기 위해 Convolutional neural network를 적용하는 방법을 제안하였다. 제안한 방법으로 QFN 중에서도 Dicing과 Punch에 대하여 아주 성공적으로 검출 하는 것을 확인할 수 있었다.
제안 방법
둘째, Convolutional neural network는 가변성이 큰 패턴을 인식할 수 있고 영상의 찌그러뜨림이나 기하학적인 변화에 강건 하기 때문이다. 이러한 이유로 본 논문에서는 QFN의 납땜에 대한 불량 검출을 위해 Convolutional neural network를 선정하였다. 일반 적인 Convolutional neural network는 두 개의 convolution layer와 두 개의 fully connected layer 로 구성 되어있다.
따라서 컬러 다단 영상에는 높이에 대한 정보가 들어있게 된다. 이제 이 컬러 다단 영상을 제안한 Convolutional neural network에 적용시키기 위하여 Red, Green, Blue 세 개의 채널로 분리 시킨다. 이렇게 분리시킨 영상이 <그림 3>의 Input layer에 들어가게 된다.
각각의 이미지는 하나의 컬러 이미지로부터 분리가 된 것이며, 이 컬러 이미지는 컬러 다단 영상을 의미한다. 컬러 다단 영상을 얻는 방법은 Red, Green, Blue 세 가지 색의 조명의 높이를 달리하여 설치 후, 각각을 돌아가며 비추게 한다.각 조명을 비추어 얻은 세 개의 영상을 하나의 컬러 영상으로 합친 것이 바로 컬러 다단 영상이 된다.
대상 데이터
[1] Convolutional Neural Network[2][3]은 이런 기계학습 방법 중 하나인 Multi-layer neural network[4]의 한 종류이다. 본 논문은 여러 Neural network중에서 Convolutional neural network를 선택하였는데, 그 이유로는 다음과 같다. 첫째, Convolutional neural network는 간단한 전처리를 통해 픽셀 이미지로부터 곧바로 시각적 패턴을 인식하도록 제작되었고, spatial topology를 잘 잡아내기 때문에 시각적인 분석 작업에 알맞기 때문이다.
본 논문의 Convolutional neural network의 구조는 일반적인 구조와 달리 Input layer에 세 개의 영상이 들어간다. 이 구조를 도식화하면 <그림 3>과 같다.
본 논문에서는 QFN의 종류인 Dicing과 Punch 에 대하여 실험을 하였다. 실험을 위한 전체 데이 터의 개수는 Dicing 229개(정상 201개, 불량 28개), Punch 144개(정상 137개, 불량 7개)이며 학습 세트와 테스트 세트의 비율을 조정하면서 실험을 진행하였다. 테스트를 위한 프로그램은 Windows 7(64bit), Microsoft Visual Studio 2010의 환경에서 개발하였다.
이론/모형
<그림 3>에서 선으로 표현이 된 것은 각 layer에서 neuron들의 connection을 의미 하고, 각 connection에는 이전 layer의 neurons에서 오는 값으로부터 현재 layer의 neurons의 값을 결정하는 가중치가 존재하게 된다. 가중치를 구하기 위한 Activation Function으로는 Lecun의 논문 [2]에 따라 hyperbolic tangent를 사용하고 있다.
성능/효과
결과를 보면 3~4번의 epoch만큼만 학습을 시켰는데에도 불구하고 에러율이 0%가 나오는 것을 확인할 수 있고, 이는 제안한 방법이 QFN 납땜의 불량 검출에 매우 적절하다고 볼 수 있게 해준다.
첫째, Convolutional neural network는 간단한 전처리를 통해 픽셀 이미지로부터 곧바로 시각적 패턴을 인식하도록 제작되었고, spatial topology를 잘 잡아내기 때문에 시각적인 분석 작업에 알맞기 때문이다. 둘째, Convolutional neural network는 가변성이 큰 패턴을 인식할 수 있고 영상의 찌그러뜨림이나 기하학적인 변화에 강건 하기 때문이다. 이러한 이유로 본 논문에서는 QFN의 납땜에 대한 불량 검출을 위해 Convolutional neural network를 선정하였다.
상단부터 Dicing 정상, 불량, Punch 정상, 불량을 보여주고 있다. 영상들을 보면 QFN 종류와 정상, 불량에 따라 색상정보가 확연히 차이나는 것을 확인할 수 있다. 이는 본 논문에서 제안하는 Convolutional neural network에 데이터를 학습시키는데 적절한 feature라고 볼 수 있다.
본 논문에서는 납땜 하는 부분이 없는 QFN의 납땜 상태에 대한 불량 검출을 하기 위해 Convolutional neural network를 적용하는 방법을 제안하였다. 제안한 방법으로 QFN 중에서도 Dicing과 Punch에 대하여 아주 성공적으로 검출 하는 것을 확인할 수 있었다. 하지만 QFN의 다른 종류들에 대한 추가적인 실험이 필요하고, 실험에 쓰인 Dicing과 Punch 데이터의 개수를 대폭적으로 증가하여 실험을 해보아야 할 것이다.
후속연구
제안한 방법으로 QFN 중에서도 Dicing과 Punch에 대하여 아주 성공적으로 검출 하는 것을 확인할 수 있었다. 하지만 QFN의 다른 종류들에 대한 추가적인 실험이 필요하고, 실험에 쓰인 Dicing과 Punch 데이터의 개수를 대폭적으로 증가하여 실험을 해보아야 할 것이다. 이러한 점이 보완 된다면 QFN 납땜 불량 검출을 매우 성공적으로 할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.