KR101659989B1

KR101659989B1 - 다차원 특징을 이용한 이상신호 분석장치 및 방법

Info

Publication number: KR101659989B1
Application number: KR1020140176943A
Authority: KR
Inventors: 강동중; 민현규; 박종현
Original assignee: 부산대학교 산학협력단
Priority date: 2014-12-10
Filing date: 2014-12-10
Publication date: 2016-09-27
Also published as: KR20160070327A

Abstract

본 발명은 다양한 측정장비로부터 출력되는 대상체의 측정신호로부터 다수의 특징을 추출하여 다차원 특징을 이용하여 측정신호의 이상신호를 판별하도록 하는 다차원 특징을 이용한 이상신호 분석장치 및 방법에 관한 것이다.
본 발명은 샘플 대상체에 대한 다수의 샘플신호를 입력받아 상기 다수의 샘플신호로부터 다수의 특징을 추출하는 특징추출단계; 상기 추출된 다수의 특징별 샘플신호를 정상신호 및 이상신호로 1차원으로 분류하여 상기 각 특징별 제1학습모델을 생성하는 제1학습모델 생성단계; 상기 다수의 특징별 제1학습모델 중 상기 정상신호와 이상신호의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 선택하는 특징선택단계; 상기 선택된 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간 상에 상기 디지털 샘플신호를 정상신호 및 이상신호로 분류하여 다차원 제2학습모델을 생성하는 제2학습모델 생성단계; 측정 대상체에 대한 디지털 측정신호를 입력받아 상기 제1학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 1차 판별하는 1차판별단계; 및 상기 다차원 제2학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 2차 판별하는 2차판별단계; 를 포함한다.

Description

다차원 특징을 이용한 이상신호 분석장치 및 방법{APPARATUS AND METHOD FOR ANALYZING ABNORMAL DATA USING COMBINATION OF MULTI-DIMENSIONAL FEATURES}

본 발명은 이상신호 분석장치 및 방법에 관한 것으로서, 특히 다양한 측정장비로부터 출력되는 대상체의 측정신호로부터 다수의 특징을 추출하고 다차원 특징을 이용하여 측정신호의 이상신호를 판별하도록 하는 다차원 특징을 이용한 이상신호 분석장치 및 방법에 관한 것이다.

최근 디지털신호의 처리기술의 발달로 음성신호, 영상신호, 초음파신호 등 각종 측정장비에서 측정한 아날로그 신호를 A/D 변환을 통해 디지털신호로 만든 후 이를 컴퓨터나 임베디드 시스템에서 처리하는 시도가 급증하고 있다.

디지털신호의 장점은 신호처리장치의 로직을 통해 신호가 가진 다양한 성질을 이용할 수 있다는 것이다. 즉, 추출신호를 분석하고 다양한 분야로 적용을 통해 활용되는 가전, 모바일, 센서, 로봇, 감지장치 등의 시스템을 지능화, 자동화할 수 있다는 것이다.

최근 제조기술의 발달로 제조 과정 중 발생하는 결함이나 재료의 불량을 디지털신호를 처리하여 검출하는 품질검사가 중요한 항목으로 부각되고 있다. 종래의 부품 결함검사에서는 일반적으로 대상체에서 정상부위의 신호와 결함부위의 신호를 비교하여 결함여부를 검출하거나, 또는 결함부위의 검출값과 기설정된 결함판정 기준값과 비교하여 결함여부를 검출하도록 한다. 이를 위하여 검출된 아날로그 신호를 디지털 신호로 변환하여 컴퓨터나 마이컴 등에서 정상신호와 이상신호를 비교함으로써 결함을 검출하도록 한다.

하지만, 이러한 1차원적인 결함검사는 미세한 결함에 대해서는 검출의 신뢰성이 낮다는 문제점이 있다. 예컨대, 미세결함의 경우 정상신호와 결함신호에 대한 구분이 쉽지 않아 결함여부를 판단하기 어렵다. 이를 위해 종래에 증폭기를 사용하여 신호를 증폭하는 방법을 사용하지만 신호를 증폭하는 경우 결함신호뿐만 아니라 정상신호도 함께 증폭되므로 미세결함을 정확히 검출하는데는 한계가 있다는 문제점을 안고 있다. 또한, 결함부위의 검출값이 결함판정 기준값과 비슷한 수준인 경우 결함판정에 신뢰성을 보장하기 어렵다는 문제점이 있다.

공개특허공보 제10-2014-0084607호 등록특허공보 제10-0396449호

본 발명은 다양한 측정장비로부터 출력되는 대상체의 측정신호로부터 다수의 특징별 디지털신호를 추출하여 다차원 특징의 결합을 통해 그 디지털신호의 이상신호를 판단하도록 하는 다차원 특징을 이용한 다차원 특징을 이용한 이상신호 분석장치 및 방법을 제공하는데 그 목적이 있다.

본 발명에 따른 다차원 특징을 이용한 디지털신호의 이상신호 분석방법은,

샘플 대상체에 대한 다수의 디지털 샘플신호를 입력받아 상기 다수의 디지털 샘플신호로부터 다수의 특징을 추출하는 특징추출단계; 상기 추출된 다수의 특징별 샘플신호를 정상신호 및 이상신호로 1차원으로 분류하여 상기 각 특징별 제1학습모델을 생성하는 제1학습모델 생성단계; 상기 다수의 특징별 제1학습모델 중 상기 정상신호와 이상신호의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 선택하는 특징선택단계; 상기 선택된 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간 상에 상기 디지털 샘플신호를 정상신호 및 이상신호로 분류하여 다차원 제2학습모델을 생성하는 제2학습모델 생성단계; 측정 대상체에 대한 디지털 측정신호를 입력받아 상기 제1학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 1차 판별하는 1차판별단계; 및 상기 다차원 제2학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 2차 판별하는 2차판별단계; 를 포함한다.

본 발명에서, 상기 제1학습모델 생성단계는, 상기 각 특징별로 1차원으로 분류된 다수의 정상신호 및 이상신호로부터 상기 정상신호 그룹과 이상신호 그룹을 설정하는 단계; 및 상기 설정된 정상신호 그룹과 이상신호 그룹을 구분하는 구분값을 결정하는 단계; 를 포함한다.

본 발명에서, 상기 1차판별단계는, 상기 디지털 측정신호를 상기 제1학습모델에서 1차원으로 분류하는 단계; 및 상기 분류된 디지털 측정신호가 상기 정상신호 그룹에 속하면 정상신호로 판단하고 상기 이상신호 그룹에 속하면 이상신호로 판단하는 단계; 를 포함한다.

본 발명에서, 상기 제2학습모델 생성단계에서 상기 정상신호 및 이상신호로의 분류는, 상기 제2학습모델에서 각 특징은 0~1 범위의 값을 가지며 상기 각 특징별 디지털 샘플신호를 0~1 범위로 정규화(normalization)하여 상기 다차원 특징공간 상에 정상신호 또는 이상신호로 분류한다.

본 발명에서, 상기 제2학습모델 생성단계는, 상기 다차원 특징공간을 다수의 단위공간으로 구분하는 단계; 상기 단위공간마다 분류된 정상신호와 이상신호의 개수를 추출하는 단계; 및 상기 추출된 정상신호 및 이상신호의 개수에 따라 상기 각 단위공간을 정상공간 또는 이상공간 중 어느 하나로 설정하는 단계; 를 포함한다.

본 발명에서, 상기 2차판별단계는, 상기 입력된 디지털 측정신호를 상기 단위공간 상에 분류시키는 단계; 및 상기 디지털 측정신호가 분류된 단위공간이 상기 정상공간이면 상기 디지털 측정신호를 정상신호로 판단하고 상기 이상공간이면 상기 디지털 측정신호를 이상신호로 판단하는 단계; 를 포함한다.

본 발명에 따른 다차원 특징을 이용한 디지털신호의 이상신호 분석장치는,

샘플 대상체의 디지털 샘플신호 및 측정 대상체의 디지털 측정신호를 입력받는 입력부; 상기 디지털 샘플신호 및 측정신호로부터 특징을 추출하는 특징추출부; 상기 추출된 다수의 특징별 샘플신호를 정상신호 또는 이상신호로 1차원으로 분류하여 상기 각 특징별 제1학습모델을 생성하는 제1학습모델 생성부; 상기 다수의 특징별 제1학습모델 중 상기 정상신호와 이상신호의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간 상에 상기 디지털 샘플신호를 정상신호 및 이상신호로 분류하여 다차원 제2학습모델을 생성하는 제2학습모델 생성부; 상기 생성된 제1 및 제2 학습모델을 저장하는 저장부; 및 상기 저장된 제1학습모델을 이용하여 상기 입력부로 입력되는 측정 대상체에 대한 디지털 측정신호의 이상신호를 1차 판별하고 상기 저장된 다차원 제2학습모델을 이용하여 상기 입력부로 입력되는 디지털 측정신호의 이상신호를 2차 판별하는 제어부; 를 포함한다.

본 발명에서, 상기 다차원 제2학습모델에서 각 특징은 0~1 범위의 값을 가지며 상기 각 특징별 디지털 샘플신호를 0~1의 범위로 정규화(normalization)하여 상기 다차원 특징공간 상에 정상신호와 이상신호로 분류한다.

본 발명에서, 상기 제2학습모델 생성부는, 상기 다차원 특징공간을 다수의 단위공간으로 구분하고 상기 구분된 단위공간마다 분류된 정상신호 및 이상신호의 개수를 추출하여 상기 추출된 정상신호 및 이상신호의 개수에 따라 상기 구분된 각 단위공간을 정상공간 또는 이상공간 중 어느 하나로 설정한다.

본 발명에서, 상기 제어부는, 상기 입력된 디지털 측정신호를 상기 단위공간 상에 분류시키고 상기 디지털 측정신호가 분류된 단위공간이 상기 정상공간으로 설정되었으면 상기 디지털 측정신호를 정상신호로 판단하고 상기 이상공간으로 설정되었으면 상기 디지털 측정신호를 이상신호로 판단한다.

본 발명에 의하면 디지털신호의 다수의 특징 간의 최적 결합을 통해 이상신호를 분석하므로 보다 많은 차원의 특징을 적용할 수 있어 기존의 결함검출 방법보다 향상된 검출성능을 발휘할 수 있다.

또한, 본 발명에 의하면 결함 검출을 위해 사용된 모든 특징에 대하여 결합과 검증과정을 통해 성능이 뛰어난 특징을 선택하여 결합하기 때문에 결함검출시간을 줄일 수 있고 실시간으로 결함검출이 가능하다.

도 1은 본 발명의 실시 예에 따른 다차원 특징을 이용한 이상신호 분석장치의 블록구성도,
도 2는 본 발명의 실시 예에 따른 디지털신호로부터 특징을 추출하는 과정을 설명하기 위한 예시도,
도 3은 본 발명의 다른 실시 예에 따른 디지털신호로부터 특징을 추출하는 과정을 설명하기 위한 다른 예시도,
도 4는 본 발명의 실시 예에 따른 제1학습모델의 생성과정을 나타낸 개념도,
도 5는 본 발명의 실시 예에 따른 제2학습모델의 생성과정을 나타낸 개념도,
도 6은 본 발명의 실시 예에 따른 다차원 특징을 이용한 이상신호 분석방법을 나타낸 흐름도.

이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세히 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

또한, 본 발명의 실시 예의 구성요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

도 1은 본 발명의 실시 예에 따른 다차원 특징을 이용한 이상신호 분석장치의 블록구성도이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 다차원 특징을 이용한 이상신호 분석장치(100)는 입력부(110), 특징추출부(120), 제1학습모델 생성부(130), 제2학습모델 생성부(140), 저장부(150) 및 제어부(160)를 포함하여 구성된다.

입력부(110)는 다양한 측정장비(미도시)와 연결될 수 있으며, 이들 측정장비로부터 디지털신호를 입력받는다. 이러한 측정장비는 대상체로부터 각종 정보를 측정하는 장비로서, 예컨대 물체의 온도를 측정하는 온도센서, 물체의 영상을 촬영하는 카메라, 동물의 뇌파를 측정하는 뇌파측정장비 등이 될 수 있다. 본 발명에서 입력부(110)는 결함, 고장, 에러 등과 같이 이상여부를 이미 알고 있는 다수의 샘플 대상체에 대해 측정한 다수의 디지털 샘플신호를 입력받고, 또한 이상여부를 측정하고자 하는 측정 대상체에 대해 측정한 디지털 측정신호를 입력받는다. 여기서, 디지털 샘플신호의 입력은 후술하는 제1 및 제2 학습모델을 생성하기 위한 것이다. 따라서, 본 발명에서는 다양한 측정장비로부터 다수의 디지털 샘플신호를 입력받는 것이 바람직하다. 이는 샘플신호의 개수가 많을수록 성능이 더 좋은 학습모델을 구축할 수 있기 때문이다. 본 발명에 따른 디지털 샘플신호 및 디지털 측정신호는 디지털 데이터를 의미한다. 이하에서는 다양한 측정장비에서 시간에 따라 디지털 데이터값이 일정한 주기에 따라 연속적으로 측정된다는 의미에서 디지털신호라고 통칭한다.

특징추출부(120)는 입력부(110)가 입력받은 디지털신호로부터 다수의 특징을 추출한다. 이러한 특징은 입력받은 디지털신호의 특성에 따라 다양하게 설정될 수 있다. 예컨대, 디지털신호가 온도데이터이면 온도값이 그 특징이 될 수 있고, 디지털신호가 영상데이터이면 픽셀별 밝기값, 색상값 등이 그 특징이 될 수도 있다. 또한, 다른 예로서 영상데이터의 색상값의 경우 더 구체적으로 R,G,B 값이 각각 특징이 될 수도 있다. 이하에서는 본 발명에 대한 설명의 편의상 디지털신호를 일례로 영상데이터로 가정하여 설명하기로 한다. 물론 본 발명은 이에 한정되는 것이 아님을 밝혀둔다. 이로써, 특징추출부(120)는 다양한 디지털신호로부터 다수의 특징을 추출함으로써 다수의 특징별 디지털신호가 획득된다. 예컨대, 영상데이터의 경우 R,G,B 색상에 대한 각각의 디지털신호가 획득될 수 있고, 다른 예로서 영상데이터의 각 픽셀별로 밝기값에 대한 디지털신호가 획득될 수도 있다. 이러한 특징은 다양한 방식에 의해 추출될 수 있다. 특히 영상데이터의 특징은 일례로 Harr-like feature, HOG(Histogram of Oriented Gradients), LBP(Local Binary Patterns) 등에 의해 추출될 수 있다. 도 2 및 도 3에는 영상데이터로부터 밝기값에 대한 특징을 추출하는 예시를 도시하고 있다.

도 2는 본 발명의 실시 예에 따른 디지털신호로부터 특징을 추출하는 과정을 설명하기 위한 예시도이고, 도 3은 본 발명의 다른 실시 예에 따른 디지털신호로부터 특징을 추출하는 과정을 설명하기 위한 다른 예시도이다.

먼저, 도 2에는 Haar-like feature의 예시가 도시된다. 이러한 예시에서는 다양한 형태의 필터(20)를 사용한다. 도 2에서는 일례로 상하로 흑백인 필터(21)를 영상데이터(22)에 겹쳐놓고 필터(21)내의 흑백 영역에 속하는 영상데이터(22)의 픽셀별 밝기값을 계산한다. 구체적으로 필터(21)와 오버랩되는 영상데이터(22) 중 검은 부분과 흰 부분에서 영상데이터(22)의 밝기 합의 차이를 각 픽셀별로 수치화한다. 이러한 수치가 해당 영상데이터(22)의 픽셀별 특징값이 되는 것이다.

또한, 도 3은 LBP의 예시를 도시한다. 이러한 예시에서도 Haar-like feature와 같이 영상데이터의 밝기값을 이용한다. 즉, 영상데이터에서 일정한 윈도우 크기 안의 밝기값을 이진화하여 수치화한다. 예컨대, 3×3의 윈도우에서 가운데의 중심값 54와 주변의 8개의 셀과의 값의 크기를 비교하여 대소관계에 따라 1과 0의 코드를 생성하고 이 값의 10진값을 해당 영상데이터의 특징값으로 설정하는 것이다.

이와 같이, 특징추출부(120)에서는 상기한 Haar-like feature 특징, LBP 특징뿐만 아니라, 단순히 밝기값, 색상값 등을 그대로 이용할 수도 있다. 예컨대, 영상데이터에서 R,G,B 색상값으로서 0~255의 범위 내에서 하나의 특징값을 설정할 수도 있다.

제1학습모델 생성부(130)는 상기와 같이 특징추출부(120)에서 추출된 다수의 특징별 샘플신호를 정상신호 또는 이상신호로 1차원으로 분류하여 그 1차원으로 분류된 정상신호 및 이상신호로 각 특징별 제1학습모델을 생성한다. 상기한 바와 같이 샘플 대상체는 결함, 고장, 에러 등과 같이 이상여부를 이미 알고 있기 때문에 디지털 샘플신호 중 정상신호 및 이상신호를 이미 알고 있다. 따라서, 샘플신호를 다수의 특징별로 정상신호와 이상신호로 1차원으로 분류하도록 하여 각 해당 특징별 제1학습모델을 생성하는 것이다.

도 4는 본 발명의 일례에 따른 제1학습모델의 생성과정을 나타낸 개념도를 도시한다. 도 4를 참조하면, 입력부(110)를 통해 입력되는 디지털 샘플신호를 정상신호와 이상신호로 구분하여 1차원으로 분류한다. 이때, 정상신호 및 이상신호로의 분류는 해당 심플신호의 특징값을 이용한다. 예컨대, 정상신호의 밝기값은 80이고 이상신호의 밝기값은 150이라고 가정하면, 도 4에서 밝기값 0~225의 범위에서 1차원으로 정상신호는 좌측에 분류되고 이상신호를 우측에 분류된다. 다른 다수의 샘플신호마다 이와 같은 방식으로 정상신호와 이상신호를 1차원으로 분포되도록 하여 정상신호와 이상신호를 분류한다. 샘플신호의 특징값은 정상신호 및 이상신호의 특성에 따라 결정될 것이다.

다수의 샘플신호마다 정상신호와 이상신호를 분류함으로써, 도 4의 일례와 같이 다수의 정상신호는 그 밝기값이 30~100의 범위이고, 다수의 이상신호는 밝기값이 110~160의 범위로 결정될 수 있다. 본 발명에서는 다수의 샘플신호를 이와 같이 정상신호 또는 이상신호로 분류한다. 이때, 정상신호가 모여있는 그룹은 정상신호 그룹으로 설정하고 이상신호가 모여있는 그룹은 이상신호 그룹으로 설정한다. 이러한 정상신호 및 이상신호의 분포는 영상데이터의 밝기값에 따라 결정되는 것으로서, 특정 영상데이터에서 정상부분의 밝기값과 이상부분(예:결함부분)의 밝기값이 다르므로 이러한 밝기값을 구분함으로써 정상신호 그룹과 이상신호 그룹으로 구분할 수 있는 것이다. 이와 같이 다수의 샘플신호를 특징값을 기준으로 정상신호와 이상신호로 1차원으로 분류하여 생성된 모델을 제1학습모델로 설정하는 것이다. 이러한 제1학습모델은 다수의 디지털 샘플신호의 특징별로 다수 개로 생성한다.

한편, 본 발명에서는 도면에서와 같이 정상신호 그룹과 이상신호 그룹을 구분하기 위한 구분값을 설정할 수 있다. 이러한 구분값은 정상신호 그룹과 이상신호 그룹을 명확하게 구분할 수 있는 밝기값이면 어느 값이라도 설정될 수 있다. 하지만, 다른 실시 예에서 정상신호 그룹과 이상신호 그룹 간에 샘플신호의 일부가 겹치는 영역이 발생하면 상기 구분값을 설정하기가 쉽지 않을 것이다. 본 발명에서는 정상신호 그룹과 이상신호 그룹을 명확하게 분류할 수 있는 경우가 그렇지 않는 경우보다 분류성능이 상대적으로 높다고 정의한다. 이는 정상신호 그룹과 이상신호 그룹 간의 거리가 멀수록 분류성능이 높다는 것을 의미한다.

제2학습모델 생성부(140)는 다수의 특징별로 생성된 다수의 제1학습모델 중 정상신호와 이상신호 간의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간을 생성하고, 그 다차원 특징공간 상에 상기 입력된 디지털 샘플신호를 정상신호 및 이상신호로 분류하도록 함으로써 다차원 제2학습모델을 생성한다. 구체적으로, 제1학습모델 중 분류성능이 우수한 적어도 둘 이상의 특징을 선택하고, 그 선택된 둘 이상의 특징을 각각의 차원으로 하여 다차원 특징공간을 설정한다. 이와 같이 설정된 다차원 특징공간 상에 상기 입력된 디지털 샘플신호를 정상신호와 이상신호로 분류함으로써 다차원 제2학습모델을 생성하는 것이다. 여기서, 분류성능이 우수하다는 것은 제1학습모델 중 정상신호와 이상신호의 구분이 명확하다는 것을 의미한다. 1차원의 경우 정상신호와 이상신호 간의 거리가 먼 경우가 분류성능이 우수하다. 이처럼 정상신호와 이상신호의 구분이 명확한 제1학습모델을 기설정된 개수로 선택하고, 그 선택된 제1학습모델에 적용된 특징을 선택하도록 한다. 예컨대, 제1학습모델에 적용된 특징이 R,G,B 색상값이라고 가정하고 R,G,B 색상값으로 정상신호와 이상신호를 각각 구분함에 있어서, R과 G 색상값의 특징은 정상신호와 이상신호가 명확하게 구분되지만, B 색상값의 특징은 정상신호와 이상신호의 분포가 중복으로 섞여있어 명확하게 구분되지 않는다고 한다면, R,G 색상값의 제1학습모델은 분류성능이 우수하지만, B 색상값의 제1학습모델은 분류성능이 좋지 못한 것이다. 따라서, 본 발명에서는 제2학습모델을 생성하기 위해 R,G 색상값의 특징을 선택하도록 한다. 이들 R,G,B 색상값의 특징은 일례이며 더 많은 특징을 선택할 수도 있음은 당연한 것이다.

이와 같이 선택된 다수의 특징을 각각의 차원으로 설정하여 다차원 특징공간을 형성한다. 도 5에는 본 발명의 실시 예에 따른 제2학습모델의 생성과정을 나타낸 개념도가 도시된다. 도 5의 일례에서는 설명의 편의상 2개의 특징, 즉 밝기값과 R 색상값의 특징을 이용하여 특징공간을 형성한 예시를 도시한다. 2개의 특징을 각각의 차원으로 구현한 것이므로 특징공간을 평면으로 표시될 수 있다. 만약, 3개의 특징으로 특징공간을 구현한다면 공간으로 표시될 수 있을 것이다. 이때, 특징공간은 다수의 단위공간으로 구분한다. 도 5에서는 일례로 5×5개의 단위공간(50)으로 구분한 예를 도시한다. 이와 같이 밝기값과 R 색상값의 특징으로 다차원 특징공간을 형성한 후 샘플 대상체의 디지털 샘플신호를 정상신호와 이상신호으로 특징공간 상에 분류하도록 하여 다차원 제2학습모델을 생성한다. 즉, 다차원 제2학습모델은 다차원의 특징을 이용하여 특징공간 상에 디지털 샘플신호를 분포시켜서 형성한 분류모델이 된다. 예컨대, 도 5에서 정상신호를 ㆍ으로 표시하고, 이상신호를 x로 표시하여 분류한 예를 도시한다.

여기서, 다차원 특징공간 상에서 구분된 각 단위공간마다 정상신호와 이상신호가 분류된 개수를 확인하고 그 정상신호 및 이상신호의 개수에 따라 각각의 단위공간을 정상신호 공간 또는 이상신호 공간으로 설정한다. 즉, 각 단위공간별로 정상신호가 이상신호보다 많으면 정상신호 공간으로 설정하고, 반대로 이상신호가 정상신호보다 많으면 이상신호 공간으로 설정하는 것이다. 이에, 도 5의 예시에서 도면부호 51은 정상신호(ㆍ)의 개수가 이상신호(x)의 개수보다 많으므로 정상신호 공간으로 설정되고, 도면부호 52,53은 반대이므로 이상신호 공간으로 설정된다. 바람직하게는 정상신호 공간과 이상신호 공간을 구분하기 위해 각 단위공간마다 소정의 인덱스(index)를 설정할 수도 있다. 이와 같이 특징공간에 구분된 각 단위공간마다 분포된 정상신호 및 이상신호의 개수에 따라 각각의 단위공간을 정상신호 공간과 이상신호 공간으로 설정함으로써 형성된 다차원 제2학습모델을 생성하도록 하는 것이다. 이때, 다른 실시 예에서 다차원 제2학습모델에서 각 특징은 0~1 범위의 특징값을 가지며, 디지털 샘플신호를 0~1의 범위로 정규화(normalization)하여 다차원 특징공간 상에 분류하도록 한다. 이는 각 특징별로 특징값의 범위가 다르므로 이를 모두 0~1의 범위로 정규화함으로써 동일한 범위내에서 같은 특징공간 상에 분류하도록 하기 위한 것이다.

저장부(150)는 입력부(110)를 통해 입력받은 디지털 샘플신호 및 디지털 측정신호를 저장하고, 또한 상기와 같이 생성된 제1 및 제2 학습모델을 저장한다. 특히, 저장부(150)는 제1 및 제2 학습모델에서 분류된 정상신호 및 이상신호의 특징값을 저장한다.

제어부(160)는 본 발명에 따른 이상신호 분석장치(100)의 전반적인 동작을 제어한다. 즉, 입력부(110)를 통해 측정 대상체에 대한 디지털 측정신호가 입력되면 저장부(150)에 저장된 제1학습모델을 이용하여 디지털 측정신호의 이상신호를 1차 판별하고, 제2학습모델을 이용하여 디지털 측정신호의 이상신호를 2차 판별하도록 한다. 이때, 1차 판별은 디지털 측정신호를 상기한 제1학습모델에서 1차원으로 분류시킨 후, 그 분류된 디지털 측정신호가 정상신호 그룹에 포함되면 정상신호로 판단하고 이상신호 그룹에 포함되면 이상신호로 판단하도록 한다. 나아가, 2차 판별은 디지털 측정신호를 상기한 다차원 특징공간에 구분된 단위공간 상에 분류시킨 후, 그 디지털 측정신호가 분류된 단위공간이 정상신호 공간이면 디지털 측정신호를 정상신호로 판단하고, 이상신호 공간이면 디지털 측정신호를 이상신호로 판단하도록 한다. 따라서, 제1 및 제2 학습모델은 측정하고자 하는 측정 대상체에 대한 측정신호가 입력되면 그 측정신호가 제1학습모델 및 제2학습모델에 구축된 정상신호 그룹/정상신호 공간 및 이상신호 그룹/이상신호 공간 중 어디에 속하는지를 판단하기 위한 것이다. 이는 이상부위(예:결함)를 이미 알고있는 다수의 샘플 대상체를 이용하여 그 이상부위에 대한 이상신호(예:결함신호)과 정상신호를 이용하여 미리 정상신호 그룹/정상신호 공간 및 이상신호 그룹/이상신호 공간을 구축한 상태이기 때문에 가능한 것이다. 이때, 본 발명에서는 1차적으로 1차원 학습모델을 사용하고 2차적으로 다차원 학습모델을 사용하되, 1차원 학습모델에서 정상신호와 이상신호에 대한 분류성능이 좋은 둘 이상의 특징을 추출하여 이들 특징을 최적의 조합으로 결합하여 다차원 학습모델을 생성하도록 함으로써 이상신호의 분류성능과 검증 신뢰성이 향상되도록 한다.

도 6은 본 발명의 실시 예에 따른 다차원 특징을 이용한 이상신호 분석방법을 나타낸 흐름도이다.

도 6을 참조하면, 본 발명에 따른 다차원 특징을 이용한 이상신호 분석방법에서는, 먼저 입력부(110)에서 샘플 대상체에 대한 다수의 디지털 샘플신호를 입력받는다(S101). 샘플 대상체는 이상부위(예:결함 등)를 이미 알고 있는 대상체이다. 예컨대, 강판의 표면결함을 영상처리를 통해 검출하는 경우 결함의 위치와 그 결함에 대한 영상신호를 미리 알고있는 강판이 되는 것이다. 이러한 결함의 영상신호는 정상부위의 영상신호가 다르기 때문에 둘은 서로 다른 특징값을 갖는다. 예컨대, 정상부위의 밝기값과 결함부위의 밝기값은 다르게 나타나는 것이다. 따라서, 두 영상신호는 제1 및 제2 학습모델에서 분류되는 위치가 다르게 나타난다.

이어, 상기와 같이 입력된 다수의 디지털 샘플신호로부터 다수의 특징을 추출한다(S103). 예컨대, 영상신호의 경우 특징값으로 픽셀별 밝기값, 색상값, Haar-like feature값 등이 될 수 있고, 다른 예로 색상값의 경우 R,G,B 색상값이 될 수도 있다. 이후, 샘플신호를 정상신호와 이상신호로 1차원으로 분류하여(S105) 최종 분류된 정상신호와 이상신호를 이용하여 다수의 제1학습모델을 생성한다(S107). 이때, 제1학습모델 생성시 각 특징별로 1차원으로 분류된 다수의 정상신호 및 이상신호로부터 정상신호 그룹과 이상신호 그룹으로 설정하고, 그 설정된 정상신호 그룹과 이상신호 그룹을 구분하는 구분값을 결정할 수도 있다. 이는 향후 측정하고자 하는 측정 대상체의 디지털 측정신호를 1차원으로 분류했을 때 그 구분값을 기준으로 디지털 특정신호의 특징값이 어느 위치에 있는지, 즉 정상신호 그룹에 속하는지, 아니면 이상신호 그룹에 속하는지를 판단하기 위한 것이다.

계속해서, 다수의 제1학습모델 중 정상신호와 결함신호의 분류성능이 우수한 적어도 둘 이상의 특징을 선택한다(S109). 여기서, 분류성능이 우수하다는 것은 1차원으로 분류된 정상신호와 이상신호 간의 거리가 먼 제1학습모델을 선택하는 것이 바람직하다. 왜냐하면, 두 신호 간의 거리가 멀수록 더 명확하게 분류할 수 있기 때문이며, 이는 상대적으로 더 우수한 분류성능을 나타낸다. 이처럼 분류성능이 우수한 특징의 개수는 설계조건에 따라 다르게 결정될 수 있다.

이처럼, 선택된 둘 이상의 특징을 각각의 차원으로 하여 다차원 특징공간을 설정한다(S111). 그리고 다차원 특징공간 상에 입력부(110)을 통해 입력받은 디지털 샘플신호를 정상신호 및 이상신호로 분류한 후(S113), 최종 분류된 정상신호와 이상신호를 이용하여 다차원 제2학습모델을 생성한다(S115). 구체적으로, 제2학습모델의 생성을 위해, 먼저 다차원 특징공간을 다수의 단위공간으로 구분한다. 이러한 단위공간은 바람직하게는 서로 동일한 크기 또는 부피를 갖는다. 이는 향후 디지털 측정신호를 제2학습모델의 다차원 특징공간에 분류했을 때 정상신호 공간과 이상신호 공간 중 어디에 속하는지 판단하기 위한 것이다. 이때, 제2학습모델에서 각 특징은 0~1 범위의 값을 가지며 입력된 디지털 샘플신호를 0~1 범위의 값으로 정규화(normalization)하여 다차원 특징공간 상에 정상신호 또는 이상신호로 분류하도록 할 수 있다.

이와 같이 생성된 제1학습모델 및 제2학습모델을 이용하여 측정하고자 하는 측정 대상체에 대한 이상신호를 분석하게 된다. 이를 위해 입력부(110)를 통해 측정 대상체에 대한 디지털 측정신호를 입력받는다(S117). 이러한 측정신호는 온도측정신호, 영상신호, 뇌파신호 등 다양한 디지털신호가 될 수 있다. 본 발명에서는 영상신호를 예로 들어 설명한다. 디지털 측정신호가 입력되면 제1학습모델을 이용하여 그 디지털 측정신호의 이상신호를 1차 판별한다(S119). 이어 제2학습모델을 이용하여 디지털 측정신호의 이상신호를 2차 판별한다(S121).

여기서, 1차 판별은 일례로, 디지털 측정신호를 다수의 제1학습모델에서 특징별로 1차원으로 분류하고, 그 분류된 디지털 측정신호가 정상신호 그룹에 포함되면 정상신호로 판단하고 이상신호 그룹에 포함되면 이상신호로 판단한다. 다른 예로 디지털 측정신호를 제1학습모델에서 1차원으로 분류하고, 그 분류된 디지털 측정신호가 상기 설정된 구분값을 기준으로 정상신호 그룹측에 존재하면 정상신호로 판단하고 이상신호 그룹측에 존재하면 이상신호로 판단하도록 할 수도 있다.

또한, 상기한 2차 판별은 예컨대, 입력된 디지털 측정신호를 다차원 특징공간에 구분된 다수의 단위공간 상에 분류시키고, 그 디지털 측정신호가 분류된 단위공간이 정상신호 공간이면 해당 디지털 측정신호를 정상신호로 판단하고 이상신호 공간이면 해당 디지털 측정신호를 이상신호로 판단하도록 한다.

도 7은 본 발명의 실시 예에 따른 제2학습모델 생성과정을 나타낸 흐름도이다. 도 7를 참조하면, 본 발명에 따른 제2학습모델 생성은 먼저, 분류성능이 우수한 적어도 둘 이상의 특징을 선택하고, 그 선택된 특징을 각각의 차원으로 하여 다차원 특징공간을 형성한 후, 이러한 다차원 특징공간을 다수의 단위공간으로 구분한다(S201). 이후에, 각 단위공간마다 분류된 정상신호 및 이상신호의 개수를 추출한다(S203). 이와 같이 추출된 정상신호 및 이상신호의 개수에 따라 각각의 단위공간을 정상신호 공간 또는 이상신호 공간으로 설정한다(S205). 이는 각 단위공간마다 정상신호의 개수와 이상신호의 개수를 비교하여 정상신호의 개수가 많으면 정상신호 공간으로, 이상신호의 개수가 많으면 이상신호 공간으로 설정하는 것이다. 여기서, 많다는 기준은 특징값에 따라 임의로 설정 및 변경될 수 있다. 이러한 정상신호 공간과 이상신호 공간은 서로 구분하기 위해 인덱스(index)를 설정할 수도 있다.

도 8은 본 발명의 실시 예에 따른 제2학습모델을 이용한 측정신호의 2차판별과정을 보이는 흐름도이다. 도 8을 참조하면, 본 발명에서는 입력부(110)를 통해 입력받는 디지털 측정신호를 제2학습모델의 다차원 특징공간에 구분된 단위공간 상에 분류한다(S301). 그리고 디지털 측정신호가 정상신호 공간에 분류되었는지 확인한다(S303). 정상신호 공간에 분류되었다면 그 해당 디지털 측정신호를 정상신호로 판단하고(S305). 디지털 측정신호가 이상신호 공간에 분류되었다면(S307), 그 해당 디지털 측정신호를 이상신호로 판단한다(S309).

이상에서 설명한 바와 같이, 본 발명에서는 이상여부를 이미 알고 있는 샘플 대상체의 디지털 샘플신호에 대하여 정상신호와 이상신호의 1차원 분포를 이용하여 다수의 특징별로 제1학습모델을 구축하고, 다수의 제1학습모델 중 정상신호와 이상신호 간의 분류성능이 우수한 둘 이상의 특징을 선택하여 다차원 특징공간을 형성한 후, 디지털 샘플신호를 정상신호 및 이상신호로 구분하여 다차원 특징공간에 분포하도록 하여 다차원 제2학습모델을 구축하도록 한다. 이에, 측정하고자 하는 측정 대상체의 디지털 측정신호에 대하여 제1학습모델에서의 1차원 분포를 확인하여 정상신호인지 이상신호인지를 1차 판별하고, 제2학습모델에서의 다차원 특징공간 상의 분포를 확인하여 정상신호인지 이상신호인지 2차 판별하도록 한다.

이와 같이 1차 판별에 이어 분류성능(검출성능)이 우수한 특징만을 이용하여 다차원 특징공간을 구현한 후 2차 판별을 통해 이상신호를 판별하기 때문에 분류성능이 한층 더 향상되고, 분류성능이 우수한 일부 특징만을 선택하여 학습하므로 기존에 많은 특징을 사용함으로 인한 시간소비를 줄일 수 있도록 한다.

이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

110 : 입력부 120 : 특징추출부
130 : 제1학습모델 생성부 140 : 제2학습모델 생성부
150 : 저장부 160 : 제어부

Claims

샘플 대상체에 대한 다수의 디지털 샘플신호를 입력받아 상기 다수의 디지털 샘플신호로부터 다수의 특징을 추출하는 특징추출단계;
상기 추출된 다수의 특징별 샘플신호를 정상신호 및 이상신호로 1차원으로 분류하여 상기 다수의 특징별 제1학습모델을 생성하는 제1학습모델 생성단계;
상기 다수의 특징별 제1학습모델 중 상기 정상신호와 이상신호의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 선택하는 특징선택단계;
상기 선택된 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간 상에 상기 디지털 샘플신호를 정상신호 및 이상신호로 분류하여 다차원 제2학습모델을 생성하는 제2학습모델 생성단계;
측정 대상체에 대한 디지털 측정신호를 입력받아 상기 제1학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 1차 판별하는 1차판별단계; 및
상기 다차원 제2학습모델을 이용하여 상기 디지털 측정신호의 이상신호를 2차 판별하는 2차판별단계; 를 포함하는 다차원 특징을 이용한 이상신호 분석방법.
제1항에 있어서, 상기 제1학습모델 생성단계는,
상기 각 특징별로 1차원으로 분류된 다수의 정상신호 및 이상신호로부터 상기 정상신호 그룹과 이상신호 그룹을 설정하는 단계; 및
상기 설정된 정상신호 그룹과 이상신호 그룹을 구분하는 구분값을 결정하는 단계; 를 포함하는 다차원 특징을 이용한 이상신호 분석방법.
제2항에 있어서, 상기 1차판별단계는,
상기 디지털 측정신호를 상기 제1학습모델에서 1차원으로 분류하는 단계; 및
상기 분류된 디지털 측정신호가 상기 정상신호 그룹에 속하면 정상신호로 판단하고 상기 이상신호 그룹에 속하면 이상신호로 판단하는 단계; 를 포함하는 다차원 특징을 이용한 이상신호 분석방법.
제1항에 있어서,
상기 제2학습모델 생성단계에서 상기 정상신호 및 이상신호로의 분류는,
상기 제2학습모델에서 각 특징은 0~1 범위의 값을 가지며 상기 각 특징별 디지털 샘플신호를 0~1 범위로 정규화(normalization)하여 상기 다차원 특징공간 상에 정상신호 또는 이상신호로 분류하는 다차원 특징을 이용한 이상신호 분석방법.
제1항에 있어서,
상기 제2학습모델 생성단계는,
상기 다차원 특징공간을 다수의 단위공간으로 구분하는 단계;
상기 단위공간마다 분류된 정상신호와 이상신호의 개수를 추출하는 단계; 및
상기 추출된 정상신호 및 이상신호의 개수에 따라 상기 각 단위공간을 정상공간 또는 이상공간 중 어느 하나로 설정하는 단계; 를 포함하는 다차원 특징을 이용한 디지털신호의 이상신호 분석방법.
제5항에 있어서, 상기 2차판별단계는,
상기 입력된 디지털 측정신호를 상기 단위공간 상에 분류시키는 단계;
상기 디지털 측정신호가 분류된 단위공간이 상기 정상공간이면 상기 디지털 측정신호를 정상신호로 판단하고 상기 이상공간이면 상기 디지털 측정신호를 이상신호로 판단하는 단계; 를 포함하는 다차원 특징을 이용한 디지털신호의 이상신호 분석방법.
샘플 대상체의 디지털 샘플신호 및 측정 대상체의 디지털 측정신호를 입력받는 입력부;
상기 디지털 샘플신호 및 측정신호로부터 특징을 추출하는 특징추출부;
상기 추출된 다수의 특징별 샘플신호를 정상신호 또는 이상신호로 1차원으로 분류하여 상기 각 특징별 제1학습모델을 생성하는 제1학습모델 생성부;
상기 다수의 특징별 제1학습모델 중 상기 정상신호와 이상신호의 분류성능이 기설정된 기준치 이상인 적어도 둘 이상의 특징을 각각의 차원으로 한 다차원 특징공간 상에 상기 디지털 샘플신호를 정상신호 및 이상신호로 분류하여 다차원 제2학습모델을 생성하는 제2학습모델 생성부;
상기 생성된 제1 및 제2 학습모델을 저장하는 저장부; 및
상기 저장된 제1학습모델을 이용하여 상기 입력부로 입력되는 측정 대상체에 대한 디지털 측정신호의 이상신호를 1차 판별하고 상기 저장된 다차원 제2학습모델을 이용하여 상기 입력부로 입력되는 디지털 측정신호의 이상신호를 2차 판별하는 제어부; 를 포함하는 다차원 특징을 이용한 이상신호 분석장치.
제7항에 있어서,
상기 다차원 제2학습모델에서 각 특징은 0~1 범위의 값을 가지며 상기 각 특징별 디지털 샘플신호를 0~1의 범위로 정규화(normalization)하여 상기 다차원 특징공간 상에 정상신호와 이상신호로 분류하는 다차원 특징을 이용한 이상신호 분석장치.
제7항에 있어서,
상기 제2학습모델 생성부는,
상기 다차원 특징공간을 다수의 단위공간으로 구분하고 상기 구분된 단위공간마다 분류된 정상신호 및 이상신호의 개수를 추출하여 상기 추출된 정상신호 및 이상신호의 개수에 따라 상기 구분된 각 단위공간을 정상공간 또는 이상공간 중 어느 하나로 설정하는 다차원 특징을 이용한 디지털신호의 이상신호 분석장치.
제9항에 있어서,
상기 제어부는,
상기 입력된 디지털 측정신호를 상기 단위공간 상에 분류시키고 상기 디지털 측정신호가 분류된 단위공간이 상기 정상공간으로 설정되었으면 상기 디지털 측정신호를 정상신호로 판단하고 상기 이상공간으로 설정되었으면 상기 디지털 측정신호를 이상신호로 판단하는 다차원 특징을 이용한 디지털신호의 이상신호 분석장치.