다크필드 조명과 엣지 AI 결함 분류: 난반사 표면 검사의 새로운 기준
사출 성형된 커넥터 하우징이나 무광 코팅이 벗겨진 금속 브래킷, 솔더 범프가 올라온 PCB 패드. 이런 대상물은 표면이 매끄러울수록 검사가 쉬워질 것 같지만, 실제 현장에서는 정반대의 일이 벌어집니다. 광택면은 조명을 정반사(specular reflection)시켜 카메라 센서를 그대로 포화시키거나, 반대로 결함부만 미세하게 다른 각도로 빛을 튕겨내면서 정상 영역과 구분이 거의 불가능한 콘트라스트로 찍힙니다.
이 문제를 방치하면 어떤 일이 벌어질까요. 스크래치나 크랙, 이물 압흔처럼 수 시간 단위로 조용히 누적되는 결함이 정상 판정을 받고 그대로 다음 공정, 심지어 고객사 입고 검사까지 통과합니다. 오검출(과검)이 잦으면 라인 가동률이 떨어지고, 미검출(누락)이 잦으면 불량 유출로 인한 클레임과 리콜 비용이 발생합니다. 결국 이 둘 사이의 균형, 즉 오검출·미검출 0%에 가까운 지점을 찾는 것이 검사 시스템 설계의 핵심 목표가 됩니다.
해법은 두 갈래로 나뉩니다. 하나는 물리적 해법으로, 조명의 입사각과 산란광 수집 방식을 대상물의 반사율 특성에 맞춰 재설계하는 것입니다. 대표적으로 다크필드 조명(dark-field illumination)은 저각으로 빛을 쏘아 정상 평면에서는 반사광이 렌즈로 들어오지 못하게 하고, 결함이 만드는 산란광만 선택적으로 포착합니다. 다른 하나는 알고리즘적 해법으로, 결함이 있는 샘플 없이도 학습 가능한 비지도 특징 매칭(unsupervised feature matching) 기반 엣지 AI 추론을 도입해 정상 데이터만으로 이상치를 판별하는 방식입니다. 이번 글에서는 이 두 축을 실제 광학 셋업 스펙과 함께 다루겠습니다.
왜 정반사 표면에서는 동축낙사 조명이 한계에 부딪히는가
Point. 정반사율이 높은 대상물에는 동축낙사 조명(coaxial illumination)보다 다크필드 조명이 결함 콘트라스트 확보에 유리한 경우가 많습니다.
Reason. 동축낙사 조명은 광원과 카메라 광축을 일치시켜 대상물에 수직으로 빛을 쏘는 방식으로, 평면 반사가 강한 미러형 표면에서 균일한 조도를 얻는 데는 강점이 있습니다. 하지만 표면이 매끄러운 만큼 정상 영역과 결함 영역이 만드는 반사 각도 차이가 작아, 크랙이나 미세 스크래치처럼 굴곡이 얕은 결함은 배경과 거의 같은 밝기로 찍혀 분해능(resolution) 한계 이전에 콘트라스트 한계에 먼저 부딪힙니다.
Example. 실제로 Exosens가 2026년 상반기 발표한 반도체 웨이퍼 검사 자료에 따르면, 다크필드 검사는 조밀한 패턴 레이아웃에서 저콘트라스트 엣지 결함과 미세 파티클을 드러내는 데 핵심적인 역할을 하며, 자외선(UV) 이미징을 결합해 다크필드 감도를 한 단계 더 끌어올리는 방향으로 확장되고 있습니다. 같은 원리는 자동차 도장면 검사에도 적용됩니다. 최근 발표된 SAR-YOLO(Stage-wise Attention Refinement) 경량 검출 네트워크는 정반사가 심한 도장 표면에서 소형 결함을 검출하기 위해 단계적 주의(attention) 메커니즘을 도입했는데, 이 역시 조명 단에서 반사광을 최대한 배제한 입력 영상을 전제로 설계되었습니다.
Point. 따라서 대상물의 표면 재질과 반사율을 먼저 확인한 뒤, 정반사가 지배적인 대상에는 다크필드 조명을, 확산 반사가 지배적인 무광 표면에는 동축낙사나 저각 링 조명을 우선 검토하는 순서가 합리적입니다. 다만 반사율은 코팅 로트나 사출 금형 상태에 따라 미세하게 달라질 수 있어, 샘플 테스트 전 확언 불가라는 점은 항상 전제로 두어야 합니다.
결함 없는 샘플만으로 학습하는 엣지 AI 판별 로직
Point. 결함 샘플 확보가 어려운 신규 라인에서는 비지도 특징 매칭 기반 알고리즘이 다크필드 조명과 결합했을 때 실용적인 선택지가 됩니다.
Reason. 정반사 표면의 결함은 발생 위치와 형태가 다양해 결함 데이터셋을 충분히 모으기까지 시간이 오래 걸립니다. 이때 정상 샘플만으로 특징 공간을 학습하고, 추론 시 정상 분포에서 벗어나는 패치를 이상치로 분류하는 방식은 초기 양산 단계부터 바로 적용할 수 있다는 장점이 있습니다. 여기에 딥러닝 추론을 클라우드가 아닌 엣지 모듈에서 처리하면, 검사 판정까지의 지연시간을 라인 택트타임 이내로 확보할 수 있습니다.
Example. 최근 발표된 디플렉토메트리(deflectometry) 기반 정반사 표면 결함 분류 연구는 브라이트필드와 다크필드 조명을 결합해 더 풍부한 표면 정보를 확보하고, 정상 샘플만으로 학습하는 비지도 패치 매칭 네트워크를 통해 결함을 검출하는 구조를 제안했습니다. 엣지 추론 하드웨어 측면에서도 2026년 기준 산업용 비전에서는 M.2 규격 가속 모듈이 표준으로 자리잡는 추세인데, 10W 이하 전력에서 100ms 이하 지연시간을 확보할 수 있어 별도의 호스트 시스템 리소스 점유 없이 라인 속도를 따라갈 수 있다는 점이 보고되고 있습니다.
Point. 다만 소프트웨어 이미지 처리만으로 하드웨어 광학 셋업의 근본적인 결함(과포화, 저조도 노이즈 등)을 완전히 덮을 수는 없습니다. 알고리즘은 어디까지나 잘 설계된 조명·렌즈 조합 위에서 결함 신호를 정제하는 역할이며, 조명 설계가 부실한 상태에서 알고리즘만 고도화하는 접근은 권장하지 않습니다.
핵심 골격 매칭표
아래는 정반사 표면(사출품 광택 하우징, PCB 솔더 패드 등) 검사를 기준으로 한 다크필드 조명 셋업의 예시 스펙입니다. 실제 적용 시에는 대상물의 곡률과 반사율 편차에 맞춰 렌즈 배율과 WD를 재조정해야 합니다.
| 구분 | 항목 | 스펙 |
|---|---|---|
| ① 최소 검출 불량 사이즈 | 목표 결함 | 미세 스크래치, 압흔, 이물 |
| 최소 검출 크기 | 30 μm | |
| ② 광학 셋업 | 조명 방식 | 다크필드(저각 링 조명, 입사각 10~15°) |
| 렌즈 스펙 | 텔레센트릭 렌즈, 배율 0.5×, F6.5 | |
| WD(작동 거리) | 90 mm 확보 (조명 링 삽입 공간 포함) | |
| 카메라 인터페이스 | GigE Vision (10 GigE) | |
| ③ 알고리즘 파라미터 | 입력 해상도 | 2048 px × 2048 px |
| 검출 방식 | 비지도 패치 특징 매칭(정상 샘플 학습) | |
| 추론 위치 | 엣지 모듈(M.2 가속기), 목표 지연 < 100 ms | |
| 판정 임계값 | 이상 점수(anomaly score) 상위 0.5% 컷오프 |
이 표가 시사하는 바는 명확합니다. 30 μm급 미세 결함을 다크필드 조명만으로 콘트라스트화하려면 저각 입사와 텔레센트릭 렌즈의 왜곡 억제가 함께 맞물려야 하며, WD 90mm는 결함 신호의 분해능뿐 아니라 조명 링 자체를 물리적으로 배치할 공간까지 고려한 수치라는 점입니다. 알고리즘은 이렇게 확보된 고콘트라스트 입력 위에서만 제 성능을 발휘합니다.
비교 관점: 다크필드 vs 동축낙사, 언제 반대 선택이 유리한가
다크필드 조명이 정반사 표면의 얕은 결함에 강점을 보이는 것은 사실이지만, 모든 상황에서 우위에 있는 것은 아닙니다. 대상물 표면이 균일한 확산 반사(diffuse reflection) 특성을 가진 무광 사출품이거나, 검사 대상이 결함보다는 인쇄 문자·마킹의 유무 판별처럼 전체 면의 균일 조도가 더 중요한 경우에는 동축낙사 조명이 오히려 안정적인 결과를 냅니다. 또한 대상물의 곡률이 큰 경우 다크필드의 저각 조명은 음영 영역을 만들어 검사 사각지대가 생길 수 있어, 이때는 돔 조명(dome illumination)과의 병행 검토가 필요합니다. 어느 조명 방식이 유리한지는 실제 대상물의 재질·곡률·코팅 상태에 따라 달라지므로, 샘플 테스트 전 확언 불가라는 전제를 다시 한번 강조합니다.
현장 체크포인트
- WD(작동 거리) 확보 여부: 다크필드 링 조명과 렌즈 경통이 물리적으로 간섭하지 않는지, 최소 90mm 이상의 여유 공간이 확보되었는지 확인합니다.
- 대상물 표면의 반사율을 정반사/확산반사 기준으로 사전 측정했는지 확인합니다(코팅 로트별 편차 포함).
- 텔레센트릭 렌즈 사용 시 워킹 레인지(depth of field) 내에서 대상물의 곡률 변화가 초점 이탈을 일으키지 않는지 확인합니다.
- 엣지 AI 모듈의 추론 지연시간이 실제 라인 택트타임보다 여유 있게 짧은지 벤치마크했는지 확인합니다.
- 비지도 학습 모델의 경우, 정상 샘플 데이터가 실제 양산 변동(로트 편차, 계절적 습도 변화 등)을 충분히 반영하고 있는지 재확인합니다.
참고자료
- Exosens, “Wafer Inspection at Advanced Nodes” (2026)
- SAR-YOLO: Stage-wise Attention Refinement 기반 차량 도장 결함 검출 네트워크 관련 연구, ScienceDirect
- Deflectometry 및 멀티모달 융합 기반 정반사 표면 결함 분류 연구, ScienceDirect
- 관련 특허: US8681328(다크필드 결함 검사 방법/장치), US6870949(동축 협각 다크필드 조명), US10094787(다중면 정반사 검사기), US10176588 / US10977814(정반사 표면 검사 시스템 및 방법), US8228496(결함 검사 방법 및 장치) — Google Patents/USPTO 확인
