반도체 제조 공정에서 고속 회전물체의 비정상 상태 탐지 효율 향상을 위한 이미지 세그멘테이션 방법 = Image Segmentation Method for Improving Abnormal State Detection Efficiency of High-Speed Rotating Objects in Semiconductor Manufacturing Process

국문 초록 (Abstract)

우리는 반도체 제조 공정에서 고속 회전하는 웨이퍼의 비정상 상태를 효과적으로 탐지하기 위한 이미지 세그멘테이션 기반 접근을 제안한다. 기존 CNN 기반 방법은 웨이퍼 전체를 통합적으로 인지하기 어렵고, 반사·난반사 조건에서 패치 영역 구분에 제한이 있었다. 우리는 HSV 색공간 변환 및 ViT 기반 패치 세그멘테이션 모델을 활용하여 불균일 조명 및 왜곡 조건에서 이상 패턴을 검출하였다. 연구에서는 목업(Mock-up) 기반 실험 데이터를 구축하여 웨이퍼 wobbling 조건에 따른 세그멘테이션 성능을 평가하였으며, hard-case 상황에서도 ViT 기반 접근이 가능함을 실헙적으로 보였다. 또한 YOLOv11-seg와의 비교를 통해 CNN 기반 bounding-box 세그멘테이션의 구조적 한계를 확인하였다. 결과적으로 본 연구는 실환경에서 발생 가능한 다양한 광학 조건 및 노이즈 상황에 대응 가능한 세그멘테이션 프레임워크를 제시하며, 향후 반도체 공정 중 웨이퍼 클리닝 실공정 데이터 활용을 통한 확장 실험의 방향성을 제시하였다.

다국어 초록 (Multilingual Abstract)

We propose an image-segmentation–based approach for effectively detecting abnormal states in high-speed rotating wafers within semiconductor manufacturing processes. Conventional CNN-based methods struggle to capture the global structural patterns of the entire wafer and face limitations in distinguishing patch regions under reflective and refractive optical distortions. We employ HSV color–space transformation and a ViT-based patch segmentation model to detect abnormal patterns even under uneven illumination and geometric distortions. In this study, we constructed a mock-up experimental dataset and evaluated segmentation performance under different wafer wobbling conditions, demonstrating that the ViT-based method remains effective even in hard-case scenarios. Moreover, through comparison with YOLOv11-seg, we confirmed the structural limitations of CNN-based bounding-box segmentation approaches. Consequently, this study presents a segmentation framework capable of addressing various optical variations and noise conditions that may occur in real environments, and suggests a research direction involving expanded testing with real wafer-cleaning process data.