Si 웨이퍼 위에 증착된 박막은 두께가 10~1500 nm 범위에 걸쳐 있으며, 두께와 굴절률 값이 모두 성공적으로 측정되었고, 이는 상용 타원편광계로 얻은 값과 비교하여 확인하였다.

본 논문은 딥러닝과 GAN(Generative Adversarial Network)을 이용하여 결함-배경을 분리한 생성적 적대 신경망(defect-background separated GAN)을 개발하고, 이를 통해 배터리 외관 결함 검사 정확도를 향상시키고자 한다. 실제 배터리 생산 라인에서는 결함 유형에 따라 결함 발생률이 달라, 결함 획득에 소요되는 시간이 길어 대규모의 균일한 결함 데이터셋을 생성하기 어렵다. 그 결과 배터리 외관 결함 검사 정확도가 저하된다. 대규모의 균일한 결함 데이터셋을 구축하기 위해, 본 논문은 GAN의 원리에 기반한 결함-배경 분리 GAN을 제안한다. 결함-배경 분리 GAN은 결함의 분할 라벨링을 참조하여 결함과 배경에 대한 효과적인 분리 학습을 수행한다. 결함-배경 분리 GAN을 활용한 데이터셋 증강을 통해 새로 생성된 합성 결함 이미지의 성능 품질이 향상되며, 대규모 데이터셋 학습을 통해 배터리 외관 결함 검사 정확도를 높일 수 있다. 실험 결과, 배터리 외관 결함 데이터셋에서 다양한 다른 방법들 중 Fréchet inception distance 점수가 가장 낮았고, 사람의 눈으로 식별 가능한 선명한 합성 결함을 생성하였다. 또한, 이 대규모의 균일한 결함 데이터셋에서 결함 분할을 학습함으로써 정확도 96.1%와 intersection over union 값 0.71을 달성하였다. 궁극적으로, 이 결함 검사 네트워크를 실제 생산 라인에 적용한 결과 시간 효율이 72% 향상되었다. 이는 결함-배경 분리 GAN을 통해 생성된 대규모의 균일한 결함 데이터셋이 안정적이며 견고함을 보여준다.