반도체의 성능 개선을 위한 제조 공정에 대한 평가와 분석을 진행하기 위해서는 샘플 내에서 원하는 패턴이 존재하는 관심 영역(ROI)의 이미지를 촬영해야 한다. 이를 효율적으로 진행하기 위해 최근 자동화 장비들이 도입하여 인식한 패턴을 기준으로 스테이지 위치를 자동으로 움직이면서 정확한 위치에서 ROI 이미지를 취득하고 있다. 하지만, 이미지의 변화에 대한 수동으로 설계된 패턴 인식 기능의 한계로 인해 오차율과 실패율이 높아지며, 이로 인해 코드 수정 및 재촬영에 대한 시간 비용이 문제로 대두되고 있다. 딥러닝을 활용한 객체 인식은 이미 다양한 분야에 적용되고 있으며, 그 중 YOLO 기반 알고리즘은 속도와 정확도를 크게 향상시키며 지속적으로 발전했다. 이러한 기술적 트렌드를 따라, 최신 모델인 YOLOv8 을 사용한 반도체 패턴 인식을 제안한다.
본 연구에서는 수동으로 설계된 Sobel filter 와 Canny edge detector, Template Matching, 그리고 YOLOv8 을 활용한 ROI 내 패턴 인식 결과를 기반으로 세 가지 방법을 이용하여 NAND 플래시 메모리 이미지상에서의 Slit 패턴 인식 성능을 비교, 분석하였다. 패턴에 최적화된 수동 특성 설계 코드, Template Matching 을 위한 20 장의 Template image, Model training 을 위한 레이블링 된 3,150 장의 데이터 세트로 구성했다. 실험 결과, YOLOv8 은 평균 정밀도(mAP) 99.5%, 실행 시간 231ms 로 정확도, 속도, 그리고 다양성에서 다른 방법들을 능가하는 우수한 성능을 보였다. 이러한 결과는 YOLOv8 기반의 패턴 인식 기능이 반도체의 다양한 이미지에서 ROI 를 성공적으로 확보하는 데 충분히 활용될 수 있다는 것을 보여준다.