반도체 웨이퍼 표면 결함을 CNN으로 분류하는 방법

반도체 웨이퍼 표면 결함을 CNN으로 분류하는 방법

반도체 제조 공정에서 웨이퍼 표면에 나타나는 결함은 단순한 ‘불량 표시’가 아니라 공정 이상을 알려주는 중요한 신호입니다. 이번 글에서는 2020년 Applied Sciences에 발표된 Inspection and Classification of Semiconductor Wafer Surface Defects Using CNN Deep Learning Networks 논문을 바탕으로, CNN을 이용해 웨이퍼 결함을 어떻게 분류하고 공정 원인 추정까지 연결할 수 있는지 정리합니다.

1. 왜 웨이퍼 결함 자동 분류가 필요한가

반도체 공정은 박막, CMP, 포토리소그래피, 식각, 이온주입, 산화, 금속배선 등 여러 복잡한 공정으로 구성됩니다. 이 과정에서 로봇 핸드오프 이상, 오염, 유량 및 압력 문제, 장비 이상 등이 발생하면 웨이퍼 표면에 특징적인 결함 패턴이 나타날 수 있습니다.

수작업 검사는 검사자의 피로와 주관성 때문에 오분류 가능성이 있으며, 대량 생산 환경에서는 처리량에도 한계가 있습니다. 따라서 결함 이미지를 자동으로 분류해 공정 엔지니어가 원인을 빠르게 추적할 수 있도록 하는 머신비전 시스템의 가치가 커집니다.

2. 논문에서 분류한 4가지 웨이퍼 결함

• Center: 웨이퍼 중심부에 원형 또는 링 형태로 집중되는 결함
• Local: 웨이퍼 가장자리의 특정 영역에 집중되는 결함
• Random: 웨이퍼 전체에 무작위로 분포하는 결함
• Scrape: 가장자리에서 중심 방향으로 선형 또는 곡선 형태로 나타나는 결함

3. 결함 형태에서 공정 원인을 추정한다

Center 계열은 RF Power 이상, 액체 유량 이상, 액체 압력 이상과 관련될 수 있습니다. Local 계열은 밸브 누설, Robot Handoff 이상, Pump 이상과 관련될 가능성이 있습니다. Random 계열은 배관 오염, Showerhead 이상, Control Wafer 이상 등이 원인이 될 수 있습니다. Scrape 계열은 Robot Handoff 이상이나 Wafer Impact와 연결될 수 있습니다.

따라서 자동 검사 시스템은 단순히 ‘정상/불량’을 판정하는 장치에서 한 단계 더 나아가, ‘어떤 종류의 불량이며 어떤 공정을 먼저 확인해야 하는가’를 알려주는 공정 진단 도구로 발전할 수 있습니다.

4. 사용한 데이터셋과 전처리

연구에서는 WM-811K 데이터셋에서 가시적 결함이 있는 25,464장의 웨이퍼 이미지를 사용했습니다. 학습용 이미지는 19,112장, 테스트용 이미지는 6,312장이며, 별도로 40장을 검증에 사용했습니다.

전처리 흐름
Input Wafer Image → Wafer 외부 영역 제거 → 결함 영역 Contrast 강화 → Otsu Threshold Binarization → 256×256 정규화 → CNN 입력

이 과정은 실제 산업용 머신비전에서도 매우 중요한 부분입니다. AI 모델 자체만큼이나 조명 편차, 배경 제거, 대비 강화, 정규화 같은 전처리가 결과 안정성에 큰 영향을 줄 수 있기 때문입니다.

5. CNN 구조는 어떻게 구성했는가

제안한 CNN은 256×256 이미지를 입력으로 사용하며, 총 5개의 Convolution Layer와 ReLU 활성화 함수를 사용합니다. 앞의 4개 Convolution Layer 뒤에는 2×2 Max Pooling을 사용하고 마지막 단계에는 Average Pooling을 적용한 후 Fully Connected Layer와 Softmax를 통해 4개 결함 클래스로 분류합니다.

6. CNN은 기존 머신러닝보다 얼마나 좋았나

결함 종류	CNN	SVM
Center	98.89%	95.89%
Local	97.00%	72.00%
Random	98.83%	86.44%
Scrape	96.19%	73.33%
전체	97.73%	83%

7. Precision, Recall, F-Measure도 높았다

CNN의 F-Measure는 Center 98.66, Local 97.15, Random 98.57, Scratch 96.42 수준으로 나타났습니다. Logistic Regression, Random Forest, Soft Voting Ensemble과 비교해 전반적으로 우수한 성능을 보였습니다.

8. Transfer Learning도 가능했다

COCO 사전학습 Faster R-CNN과 KITTI 사전학습 Faster R-CNN을 각각 사용해 16,000장의 데이터와 50 Epoch로 재학습했습니다. 결과는 COCO 기반 97.88%, KITTI 기반 98.44%였습니다.

즉, 사전학습 모델을 활용하면 처음부터 CNN을 학습하지 않아도 비교적 적은 데이터와 시간으로 높은 성능을 확보할 가능성이 있습니다.

9. 실무에서 가장 중요한 한계: 복합 결함

검증용 40장 중 38장을 맞춰 95% 정확도를 기록했지만, 오분류된 2장은 한 장의 웨이퍼에 두 종류의 결함이 동시에 존재한 경우였습니다. 실제 제조현장에서는 Scratch, Particle, Edge 이상, Local Contamination 등이 동시에 나타날 수 있기 때문에 단일 클래스 분류보다 Multi-label Classification 구조가 더 적합할 수 있습니다.

10. 산업용 머신비전에서의 발전 방향

Wafer Image → Classical Vision ROI 검출 → CNN Feature Extraction → Multi-label Defect Classification → Anomaly Detection → 장비 Log 연계 → Root Cause 후보 자동 추천

여기에 Robot 동작시간, Motor Current, Vacuum 상태, Pressure, Flow, RF Power, Alarm Log 같은 데이터를 결합하면 단순한 이미지 분류를 넘어 장비 상태 진단 시스템으로 확장할 수 있습니다.

11. 결국 중요한 것은 ‘분류’가 아니라 ‘원인 추적’이다

결함 이미지 → 패턴 분류 → 공정 이상 원인 후보 → 엔지니어 확인 → 공정 개선 → 수율 향상

머신비전을 단순 검사 장치로 사용하지 않고 제조공정의 진단 센서로 활용하는 접근이 이 논문에서 가장 인상적인 부분입니다. 향후 Vision 데이터와 Equipment Log를 함께 학습시켜 ‘이 결함이 왜 발생했는가’를 설명하는 방향으로 발전한다면 반도체 검사장비의 부가가치를 크게 높일 수 있습니다.

---

참고 논문
Jong-Chih Chien, Ming-Tao Wu, Jiann-Der Lee, “Inspection and Classification of Semiconductor Wafer Surface Defects Using CNN Deep Learning Networks,” Applied Sciences, 2020.

태그
#반도체 #웨이퍼검사 #머신비전 #CNN #딥러닝 #웨이퍼결함 #반도체검사 #AOI #자동검사 #WaferInspection #DeepLearning #ComputerVision #FasterRCNN #TransferLearning #스마트팩토리 #공정진단 #수율개선 #반도체공정