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 ...
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 YOLOv8을 사용한 반도체 패턴 인식을 제안한다. 본 연구에서는 수동으로 설계된 Sobel filter와 Canny edge detector, Template Matching, 그리고 YOLOv8을 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 Matching을 위한 20장의 Template image, Model training을 위한 레이블링 된 3,150장의 데이터 세트로 구성했다. 실험 결과, YOLOv8은 평균 정밀도(mAP) 99.5%, 실행 시간 231ms로 정확도, 속도, 그리고 다양성에서 다른 방법들을 능가하는 우수한 성능을 보였다. 이러한 결과는 YOLOv8 기반의 패턴 인식 기능이 반도체의 다양한 이미지에서 ROI를 성공적으로 확보하는 데 충분히 활용될 수 있다는 것을 보여준다.
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 YOLOv8을 사용한 반도체 패턴 인식을 제안한다. 본 연구에서는 수동으로 설계된 Sobel filter와 Canny edge detector, Template Matching, 그리고 YOLOv8을 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 Matching을 위한 20장의 Template image, Model training을 위한 레이블링 된 3,150장의 데이터 세트로 구성했다. 실험 결과, YOLOv8은 평균 정밀도(mAP) 99.5%, 실행 시간 231ms로 정확도, 속도, 그리고 다양성에서 다른 방법들을 능가하는 우수한 성능을 보였다. 이러한 결과는 YOLOv8 기반의 패턴 인식 기능이 반도체의 다양한 이미지에서 ROI를 성공적으로 확보하는 데 충분히 활용될 수 있다는 것을 보여준다.
To evaluate and analyze the manufacturing process for performance improvement of semiconductors, it is necessary to capture images of the region of interest (ROI) containing desired patterns within the sample. Recently, automated equipment has been introduced for efficient execution, which automatic...
To evaluate and analyze the manufacturing process for performance improvement of semiconductors, it is necessary to capture images of the region of interest (ROI) containing desired patterns within the sample. Recently, automated equipment has been introduced for efficient execution, which automatically adjusts the stage position based on recognized patterns and acquires ROI images at accurate locations. However, due to the limitations of manually designed pattern recognition functions in response to image changes, the error rate and failure rate increase, leading to time costs for code modification and re-imaging becoming a significant issue. Deep learning-based object recognition has already been applied in various fields, and among them, YOLO-based algorithms have significantly improved speed and accuracy while continuously evolving. Following this technological trend, we propose semiconductor pattern recognition using the latest model, YOLOv8. In this study, we compared and analyzed the slit pattern recognition performance on NAND flash memory images using three methods based on the ROI pattern recognition results using manually designed Sobel filter, Canny edge detector, Template Matching, and YOLOv8. The study consisted of a manually feature-designed code optimized for the slit pattern of NAND, 20 template images for Template Matching, and a dataset of 3,150 labeled images for model training. The experimental results showed that YOLOv8 outperformed other methods in accuracy, speed, and diversity with an average precision (mAP) of 99.5% and an execution time of 231ms. These results demonstrate that the YOLOv8-based pattern recognition function can be sufficiently utilized in securing ROI from various semiconductor images successfully.
To evaluate and analyze the manufacturing process for performance improvement of semiconductors, it is necessary to capture images of the region of interest (ROI) containing desired patterns within the sample. Recently, automated equipment has been introduced for efficient execution, which automatically adjusts the stage position based on recognized patterns and acquires ROI images at accurate locations. However, due to the limitations of manually designed pattern recognition functions in response to image changes, the error rate and failure rate increase, leading to time costs for code modification and re-imaging becoming a significant issue. Deep learning-based object recognition has already been applied in various fields, and among them, YOLO-based algorithms have significantly improved speed and accuracy while continuously evolving. Following this technological trend, we propose semiconductor pattern recognition using the latest model, YOLOv8. In this study, we compared and analyzed the slit pattern recognition performance on NAND flash memory images using three methods based on the ROI pattern recognition results using manually designed Sobel filter, Canny edge detector, Template Matching, and YOLOv8. The study consisted of a manually feature-designed code optimized for the slit pattern of NAND, 20 template images for Template Matching, and a dataset of 3,150 labeled images for model training. The experimental results showed that YOLOv8 outperformed other methods in accuracy, speed, and diversity with an average precision (mAP) of 99.5% and an execution time of 231ms. These results demonstrate that the YOLOv8-based pattern recognition function can be sufficiently utilized in securing ROI from various semiconductor images successfully.
주제어
#Semiconductor NAND DRAM Logic FE-SEM Automation ROI Pattern Recognition Deep Learning YOLOv8 custom training Sobel filter Canny edge detector Template Matching
학위논문 정보
저자
Choi, Young Chan
학위수여기관
고려대학교 공학대학원
학위구분
국내석사
학과
전기전자컴퓨터공학과
지도교수
곽진태
발행연도
2023
총페이지
50 p
키워드
Semiconductor NAND DRAM Logic FE-SEM Automation ROI Pattern Recognition Deep Learning YOLOv8 custom training Sobel filter Canny edge detector Template Matching
※ AI-Helper는 부적절한 답변을 할 수 있습니다.