반도체 제조 공정에서는 공정 변화, 장비 노후, 환경 변화 등에 따라 기존에 존재하지 않던 신규 결함 패턴이 주기적으로 발생한다. 그러나, 기존 웨이퍼 빈 맵 분류 모델은 학습 시점의 클래스만을 전제로 하는 폐쇄형 구조를 갖기 때문에, 운영 환경에서 등장하는 Unknown 패턴에 대해 성능이 급격히 저하되는 한계를 가진다. 본 연구에서는 이러한 문제를 해결하기 위하여, Human-in-the-Loop (HITL) 기반 Open-set Recognition과 동적 클래스 확장을 결합한 웨이퍼 빈 맵 분류 방법론을 제안한다. 제안 기법은 MobileNetV2의 변수 임베딩과 One-Class SVM을 결합하여 Known 클래스와 Unknown 후보를 선별하고, softmax 기반 불확실도 분석을 통해 모델이 혼동하는 Known 샘플을 추가로 탐지한다. 이후 HITL 단계에서 전문가가 기존 클래스 보강, 신규 클래스 생성, 오류 샘플 제거를 결정하며, 이에 따라 분류기 head가 자동으로 확장되고 점진적 학습이 Phase 단위로 반복된다. WM-811K 데이터셋을 이용한 실험 결과, 제안한 방법론은 초기 Unknown으로 설정된 소수 결함 클래스를 효과적으로 학습하며 Phase가 진행될수록 전체 및 클래스별 정확도가 지속적으로 개선되는 것을 확인하였다. 또한, HITL 기반 라벨링을 통해 모델의 결정 경계선이 점진적으로 정교해져, 실제 환경에서의 신규 결함 패턴 대응 능력을 크게 향상시킬 수 있음을 보였다.
Park et al. (2026) studied this question.