최근 반도체·전자부품 업계에서는 PCB TGV 홀 라벨링처럼 정밀한 이미지 데이터 구축 수요가 빠르게 늘고 있습니다. 특히 극소형 결함까지 놓치지 않고 검출해야 하는 AOI(자동광학검사) 장비 업계에서는, AI 모델의 성능이 결국 학습 데이터의 품질에 좌우된다는 사실이 잘 알려져 있습니다.
이번 글에서는 PCB TGV 홀 라벨링을 진행할 때 어떤 점을 고려해야 하는지, Polygon 기반 Instance Segmentation 방식으로 홀을 정밀하게 라벨링하고 불량·미충진 홀까지 빠짐없이 데이터화하려면 무엇이 필요한지를 프롬데이터의 실무 노하우를 바탕으로 정리했습니다.
TGV(Through Glass Via)란 무엇인가요?
TGV는 Through Glass Via의 약자로, 유리 기판을 관통하는 미세한 홀을 만들어 상하 회로를 전기적으로 연결하는 첨단 패키징 기술입니다. 기존 실리콘 기반 TSV(Through Silicon Via) 대비 제조 원가가 낮고 고주파 특성이 우수해, 센서·MEMS·RF 부품 등 다양한 분야에서 채택이 확대되고 있습니다. (관련 연구자료: NIH PMC — Application of Through Glass Via (TGV) Technology for Sensors Manufacturing and Packaging)
TGV 공정에서는 수많은 미세 홀이 기판 위에 촘촘히 형성되는데, 이 중 일부는 가공 과정에서 미충진되거나 형상이 비정상적인 불량 홀로 남을 수 있습니다. 이런 불량을 사람 눈으로 전수 검사하는 데는 한계가 있어, AOI 장비에 AI 비전 모델을 도입해 자동으로 검출하려는 시도가 늘고 있습니다. 바로 이 지점에서 정밀한 PCB TGV 홀 라벨링 데이터가 필요해집니다.
PCB TGV 홀 라벨링이 까다로운 이유
TGV 공정을 거친 PCB 기판 이미지에서 홀을 라벨링하려면, 단순히 위치를 표시하는 것 이상이 필요합니다. 홀 하나하나를 다각형(Polygon) 형태로 구분하는 Instance Segmentation 방식이 기본이 되어야 하고, 정상 홀뿐 아니라 미충진·불량 홀까지 예외 없이 전수 라벨링해야 실제 검사 현장에서 쓸 수 있는 데이터가 됩니다.
결과물 역시 각 홀의 윤곽(Contour) 좌표를 JSON 등 표준 포맷으로 정리해야 모델 학습 파이프라인에 바로 연결할 수 있고, 이미지 최외곽에 걸쳐 일부만 보이는 홀처럼 형상이 온전하지 않은 케이스는 별도 기준을 세워 라벨링 대상에서 제외할지 여부를 판단하는 과정도 필요합니다.
PCB TGV 홀 라벨링, 어떻게 진행해야 할까
프롬데이터는 PCB TGV 홀 라벨링과 같은 정밀 이미지 프로젝트를 요건 분석, 라벨링 가이드 수립, Polygon 라벨링 수행, QA 검수, 데이터 납품까지 다섯 단계로 나누어 진행합니다.
가장 먼저 TGV 홀의 형상적 특징과 불량 유형을 사전에 정의해 라벨링 기준을 명확히 세웁니다. 이어 정상 홀과 미충진·비정형 홀을 구분하는 세부 가이드라인을 수립해 작업자 간 라벨링 편차를 최소화합니다.
가이드가 확정되면 이미지 한 장에 담긴 수백 개 단위의 홀을 하나하나 Polygon으로 라벨링합니다. 홀의 형태가 사선으로 길게 늘어진 타원형에 가까운 경우가 많아, 각 개체의 경계를 정밀하게 따는 작업 자체의 난도가 높습니다. 라벨링이 끝난 이미지는 별도의 QA 인력이 교차 검수하며 누락되거나 경계가 부정확한 홀이 없는지 재확인하고, 최종적으로는 각 홀의 Contour 좌표를 JSON 포맷으로 정리해 납품합니다.
PCB TGV 홀 라벨링에서 놓치기 쉬운 3가지 포인트
불량·미충진 홀도 예외 없이 라벨링해야 합니다. AI 모델이 정상 홀만 학습하면 실제 검사 현장에서 마주치는 불량 케이스를 제대로 구분하지 못합니다. 정상 홀뿐 아니라 미충진·비정형 홀까지 전수 라벨링해야, 모델이 다양한 엣지 케이스를 학습할 수 있습니다.
이미지 경계 처리 기준을 명확히 세워야 합니다. 이미지 최외곽에 걸쳐 일부만 보이는 홀은 형상이 온전히 드러나지 않아 라벨링 정확도를 떨어뜨릴 수 있습니다. 이런 홀은 별도 기준을 세워 라벨링 대상에서 제외하고, 이 기준을 작업자 전원에게 사전 공유해 데이터 일관성을 확보해야 합니다.
Bounding Box가 아닌 Polygon 방식을 선택해야 합니다. TGV 홀은 사선으로 길게 늘어진 타원형에 가까운 경우가 많아, 사각형 Bounding Box로는 배경 영역이 과도하게 포함됩니다. Polygon 기반 Instance Segmentation을 적용해야 홀의 실제 윤곽만 정밀하게 라벨링할 수 있고, 이는 이후 AI 모델의 검출 정확도로 직결됩니다.
라벨링 결과 예시로 보는 Before & After
위 이미지는 PCB TGV 홀 라벨링 결과를 이해하기 쉽게 재구성한 예시입니다. 원본 이미지에서는 사선으로 늘어진 홀들이 촘촘히 밀집해 있어 육안으로 일일이 구분하기 쉽지 않지만, Polygon Instance Segmentation 라벨링을 거치면 각 홀이 독립된 객체로 구분되어 AI 모델이 바로 학습할 수 있는 형태의 데이터로 변환됩니다.
PCB TGV 홀 라벨링, 무엇이 품질을 가르는가
미세하고 반복적인 패턴의 이미지일수록, 실제 라벨링 작업보다 그 앞단의 가이드라인 설계가 결과물의 품질을 좌우하는 경우가 많습니다. 홀의 위치만 표시하는 것을 넘어 미충진·불량 형상의 경계까지 일관된 기준으로 정의해야, AI 모델이 실제 검사 현장에서 마주치는 다양한 케이스에 대응할 수 있기 때문입니다.
이런 지점은 AI 데이터 라벨링 자체보다 오히려 그 전 단계인 AI 데이터 가공 설계와 QA 체계에서 더 크게 갈리곤 합니다. 프롬데이터가 정밀 산업 이미지를 다루는 여러 AI 데이터 서비스 프로젝트를 진행하며 공통적으로 반복해서 마주친 지점이기도 합니다.
정부지원사업으로 AI 데이터 구축 비용 절감하기
PCB TGV 홀 라벨링처럼 정밀도가 요구되는 프로젝트는 AI 데이터바우처 등 정부지원사업을 활용하면 예산 부담을 줄일 수 있습니다. 다양한 산업의 AI 데이터바우처 프로젝트를 거치면서, 이미지 데이터의 특성에 따라 어떤 라벨링 방식과 검수 체계가 필요한지에 대한 판단 기준도 함께 쌓여왔습니다.
마무리
PCB TGV 홀 라벨링은 미세하고 밀집된 홀 형상을 정확히 구분해야 하는 까다로운 작업이지만, 명확한 가이드라인과 다단계 QA 프로세스를 갖추면 신뢰도 높은 학습 데이터로 완성할 수 있습니다. 프롬데이터는 이런 정밀 이미지 라벨링 프로젝트를 다양한 산업에서 다수 수행해온 경험을 바탕으로, 결국 AOI 검사 AI의 정확도는 화려한 모델 구조보다 이런 세밀한 데이터 설계와 검수 과정에서 판가름 난다는 점을 거듭 확인하고 있습니다.