KR102058427B1 - 검사 장치 및 방법 - Google Patents

검사 장치 및 방법 Download PDF

Info

Publication number
KR102058427B1
KR102058427B1 KR1020170176944A KR20170176944A KR102058427B1 KR 102058427 B1 KR102058427 B1 KR 102058427B1 KR 1020170176944 A KR1020170176944 A KR 1020170176944A KR 20170176944 A KR20170176944 A KR 20170176944A KR 102058427 B1 KR102058427 B1 KR 102058427B1
Authority
KR
South Korea
Prior art keywords
defect
image
product
detected
inspection
Prior art date
Application number
KR1020170176944A
Other languages
English (en)
Other versions
KR20180004046A (ko
Inventor
이은규
김종우
김민식
Original Assignee
동우 화인켐 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동우 화인켐 주식회사 filed Critical 동우 화인켐 주식회사
Priority to KR1020170176944A priority Critical patent/KR102058427B1/ko
Publication of KR20180004046A publication Critical patent/KR20180004046A/ko
Priority to CN201811571289.7A priority patent/CN109946303A/zh
Application granted granted Critical
Publication of KR102058427B1 publication Critical patent/KR102058427B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

검사 장치 및 방법이 개시된다. 본 발명의 일 실시예에 따른 검사 장치는, 검사 대상 제품을 촬영한 제품 영상을 획득하는 영상 획득부, 상기 제품 영상에서 상기 검사 대상 제품의 결함을 검출하고, 상기 검출된 결함의 특징값을 추출하는 결함 검출부, 상기 제품 영상에서 상기 검출된 결함을 포함하는 결함 영상을 추출하는 결함 영상 추출부, 상기 추출된 결함 영상을 복수의 그룹 중 하나로 분류하는 분류부 및 상기 특징값을 상기 분류된 그룹에 대한 불량 판정 기준과 비교하여 상기 검사 대상 제품의 불량 여부를 판정하는 판정부를 포함한다.

Description

검사 장치 및 방법{APPARATUS AND METHOD FOR INSPECTION}
본 발명의 실시예들은 제품의 검사 장치 및 방법에 관한 것이다.
액정 표시 패널 등에 사용되는 편광 필름의 제조 공정에서는, 일반적으로, 일정한 폭으로 장대한 띠형의 상태로 각종 처리가 자동적으로 실시되고, 최종적으로 제품사양에 따라 소정 형상이 되도록 커팅되고 있다.
종래부터, 띠형 상태의 편광 필름에 대하여 결함 검사 장치(자동 검사기)에 의해 자동적으로 결함을 검출하고, 뒤 행정에서 결함의 식별이 용이해지도록, 결함의 근방 위치에 마크를 형성하는 편광 필름의 검사 방법이 알려져 있다.
일반적으로, 결함 검사 장치로 결함을 검출한 편광 필름은 100% 사용할 수 없는 것이 아니다. 결함 검사 장치로 결함이 검출되는 결함은 그 종류별로 광학 기능성에 미치는 영향성이 상이하여, 일부 결함은 소량이 검출되어도 사용이 불가하고, 또 다른 결함은 일부 검출되어도 사용에 문제가 없는 경우도 있다. 그러나, 결함 검사 장치는 통상적으로 결함을 그 종류별로 분류할 수는 없어, 결함 종류에 관계 없이 모든 결함을 검출해 버린다.
따라서 일반적으로 결함 검사 장치로 검출한 결함이 허용되는지의 여부는, 최종적으로 사람이 육안으로 확인하는 검사로 판단한다. 그러나, 이는 작업자의 숙련도에 따라 검사 정밀도 및 생산성이 저하됨으로, 정확성을 갖고 대량의 제품을 신속하게 검사할 수 없다.
대한민국 등록특허 제10-1711073호 (2017. 02. 28. 공고)
본 발명의 실시예들은 필름의 제품의 결함을 검출하여 제품의 양불 여부를 판정하기 위한 검사 장치 및 방법을 제공하기 위한 것이다.
1. 검사 대상 제품을 촬영한 제품 영상을 획득하는 영상 획득부;
상기 제품 영상에서 상기 검사 대상 제품의 결함을 검출하고, 상기 검출된 결함의 특징값을 추출하는 결함 검출부;
상기 제품 영상에서 상기 검출된 결함을 포함하는 결함 영상을 추출하는 결함 영상 추출부;
상기 추출된 결함 영상을 복수의 그룹 중 하나로 분류하는 분류부; 및
상기 특징값을 상기 분류된 그룹에 대한 불량 판정 기준과 비교하여 상기 검사 대상 제품의 불량 여부를 판정하는 판정부를 포함하는 검사 장치.
2. 위 1에 있어서, 상기 분류부는, 상기 복수의 그룹별로 미리 수집된 복수의 결함 영상을 이용하여 학습된 분류 모델을 이용하여 상기 추출된 결함 영상을 분류하는 검사 장치.
3. 위 2에 있어서, 상기 분류 모델은, 딥 러닝(deep learning) 기반 분류 모델인 검사 장치.
4. 위 1에 있어서, 상기 불량 판정 기준은, 상기 복수의 그룹별로 상이한 검사 장치.
5. 위 1에 있어서, 상기 특징 값은, 상기 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함하는 검사 장치.
6. 검사 대상 제품을 촬영한 제품 영상을 획득하는 단계;
상기 제품 영상에서 상기 검사 대상 제품의 결함을 검출하는 단계;
상기 검출된 결함의 특징값을 추출하는 단계;
상기 제품 영상에서 상기 검출된 결함을 포함하는 결함 영상을 추출하는 단계;
상기 추출된 결함 영상을 복수의 그룹 중 하나로 분류하는 단계; 및
상기 특징값을 상기 분류된 그룹에 대한 불량 판정 기준과 비교하여 상기 검사 대상 제품의 불량 여부를 판정하는 단계를 포함하는 검사 방법.
7. 위 6에 있어서, 상기 분류하는 단계는, 상기 복수의 그룹별로 미리 수집된 복수의 결함 영상을 이용하여 학습된 분류 모델을 이용하여 상기 추출된 결함 영상을 분류하는 검사 방법.
8. 위 7에 있어서, 상기 분류 모델은, 딥 러닝(deep learning) 기반 분류 모델인 검사 방법.
9. 위 6에 있어서, 상기 불량 판정 기준은, 상기 복수의 그룹별로 상이한 검사 방법.
10. 위 6에 있어서, 상기 특징 값은, 상기 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함하는 검사 방법.
본 발명의 실시예들에 따르면, 제품 영상으로부터 추출된 결함을 포함하는 결함 영상을 미리 설정된 그룹 중 하나로 분류하고, 분류된 그룹에 대해 설정된 판정 기준과 검출된 결함으로부터 추출된 특징 값을 이용하여 불량 여부를 판단함으로써, 제품 검사의 정확성과 신뢰도를 향상시킬 수 있다.
나아가, 제품 불량 판단을 자동화함으로써 제품의 생산성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 검사 장치의 구성도
도 2는 본 발명의 일 실시예에 따른 검사 방법의 순서도
도 3은 본 발명의 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 본 발명의 일 실시예에 따른 검사 장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 검사 장치는 영상 획득부(110), 결함 검출부(130), 결함 영상 추출부(150), 분류부(170) 및 판정부(190)를 포함한다.
영상 획득부(110)는 검사 대상 제품을 촬영한 제품 영상을 획득한다.
이때, 검사 대상 제품은 예를 들어, 터치 센서 필름, 편광 필름 등과 같은 다양한 형태의 광학 필름을 포함할 수 있다. 그러나, 검사 대상 제품은 반드시 상술한 예에 한정되는 것은 아니며, 제품을 촬영한 영상으로부터 결함 판별이 가능한 다양한 형태의 제품들을 포함할 수 있다.
결함 검출부(130)는 영상 획득부(110)에 의해 획득된 제품 영상에서 검사 대상 제품의 결함을 검출한다.
구체적으로, 본 발명의 일 실시예에 따르면, 결함 검출부(130)는 제품 영상의 픽셀 값을 이용하여 제품의 결함을 검출할 수 있다. 예를 들어, 결함 검출부(130)는 제품 영상 내 픽셀들 사이의 밝기 차이를 기 설정된 기준 값과 비교하거나, 제품 영상에서 설정된 관심 영역 내 픽셀들의 밝기 통계치(예를 들어, 평균, 분산, 표준편차 등)를 기 설정된 기준 값과 비교하여 제품의 결함을 검출할 수 있다. 이때, 관심 영역은 미리 설정되거나 제품 영상 마다 사용자에 의해 개별적으로 설정될 수 있다.
본 발명의 다른 실시예에 따르면, 결함 검출부(130)는 기 저장된 제품 도면(예를 들어, CAD 도면)과 제품 영상을 비교하여 제품 도면과 차이가 있는 부분을 제품의 결함으로 검출할 수 있다.
한편, 결함 검출부(130)는 결함이 검출된 경우, 검출된 결함의 특징 값을 추출한다. 이때, 검출된 결함이 복수인 경우, 결함 검출부(130)는 검출된 각 결함에 대한 특징 값을 추출할 수 있다.
한편, 특징 값은 예를 들어, 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함할 수 있다.
이때, 크기는 검출된 결함의 가장 긴 부분(이하, 장변)의 길이를 의미할 수 있다. 그러나, 검출된 결합의 크기는 반드시 장변의 길이에 한정되는 것은 아니며, 장변 및 장변에 수직하는 선에서 결함 영역에 해당하는 부분의 길이(이하, 단변)를 이용하여 산출될 수도 있다. 이 경우, 검출된 결함의 크기는 예를 들어, (장변+단변)/2 으로 산출될 수 있다.
이때, 피크는 결함으로 인식된 부분의 밝기(회색도(gray scale), 0~ 255) 최고 또는 최저치와 주변 평균 밝기와의 차이를 의미할 수 있다.
면적은 결함으로 인식된 부분의 면적을 의미할 수 있다. 예를 들어, 결함 검출부(130)는 결함으로 인식된 부분을 포함하는 원이나 사각형의 면적, 결함으로 인식된 부분의 픽셀(pixel) 수, 결함으로 인식된 부분의 실제 면적 등을 결함의 면적으로 산출할 수 있다.
델타X는 결함으로 인식된 부분의 x축 최장 길이를 의미하고, 델타Y는 결함으로 인식된 부분의 Y축 최장 길이를 의미한다. 예를 들어, 델타X는 결함으로 인식된 부분을 포함하는 픽셀들의 x축 최장 길이일 수 있고, 델타Y는 결함으로 인식된 부분을 포함하는 픽셀들의 y축 최장 길이일 수 있다.
밀도는 결함으로 인식된 부분이 차지하는 실제 면적을 결함으로 인식된 부분을 포함하는 사각형이나 원으로 나눈 것을 의미할 수 있다. 예를 들어, 밀도는 결함으로 인식된 부분이 차지하는 실제 면적을 결함의 장축을 지름으로 하는 원의 면적으로 나눈 것일 수 있다.
두께는 결함으로 인식된 부분의 2 이상의 외점을 잇는 선을 그어 결함의 각 점으로부터 중심선까지의 거리의 평균일 수 있다. 이때 선은 결함의 장축일 수도 있으나, 이에 제한되는 것은 아니다.
음영은 흑, 백, 흑백의 세가지 값을 나타내는 것으로서, 흑은 결함으로 인식된 부분 전부가 주변의 정상 영역보다 어두운 경우, 백은 결함으로 인식된 부분 전부가 주변의 정상 영역보다 밝은 경우, 흑백은 결함으로 인식된 부분 중 일부는 주변의 정상 영역보다 밝고, 일부는 어두운 경우를 의미한다. 한편, 흑, 백, 흑백의 세가지 값은 소정의 숫자로 표현될 수 있다.
결함 영상 추출부(150)는 영상 획득부(110)에 의해 획득된 제품 영상에서 결함 검출부(130)에 의해 검출된 결함을 포함하는 결함 영상을 추출한다.
예를 들어, 결함 영상 추출부(150)는 제품 영상에서 검출된 결함을 포함하는 일정 영역을 결함 영상으로 추출할 수 있다. 이때, 추출되는 영역의 크기는 결함의 크기에 따라 변동 가능하며, 실시예에 따라 사용자에 의해 미리 설정될 수 있다.
한편, 결함 영상 추출부(150)는 제품 영상에서 검출된 결함이 복수인 경우, 각 결함에 대한 결함 영상을 추출할 수 있다.
분류부(170)는 결함 영상 추출부(150)에서 추출된 결함 영상을 복수의 그룹 중 하나로 분류한다. 이때, 결함 영상 추출부(150)에서 추출된 결함 영상이 복수인 경우, 분류부(170)는 각 결함 영상을 복수의 그룹 중 하나로 분류할 수 있다.
이때, 복수의 그룹은 검사 대상 제품에서 발생될 수 있는 결함의 종류를 분류한 것일 수 있다. 예를 들어, 검사 대상 제품이 편광 필름인 경우, 복수의 그룹은 정상, 군집성 휘점 결함, 실오라기 결함, 휘점 결함, 스타 결함, 스크래치 결함, 블랙스지 결함, 노리핀홀 결함, 기포성 결함, 이물기포 결함, 백점이물 결함, 이물 결함, 요철 결함, 돌기 결함 등을 포함할 수 있다. 다른 예로, 검사 대상 제품이 터치 센서 필름인 경우, 복수의 그룹은 정상, 이물 결함, 기포성 결함, 실오라기 결함, 패드 크랙(PAD crack) 결함, 필름 크랙(film crack) 결함, Burr 결함, 요철 결함, 찍힘 결함 등을 포함할 수 있다. 그러나, 복수의 그룹은 반드시 상술한 예에 한정되는 것은 아니며, 검사 대상 제품에 따라 상이할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 분류부(170)는 복수의 그룹 별로 미리 수집된 복수의 결함 영상을 이용하여 학습된 분류 모델을 이용하여 결함 영상 추출부(150)에서 추출된 결함 영상을 분류할 수 있다. 이때, 분류 모델은 딥 러닝(deep learning) 기반의 분류 모델일 수 있으며, 보다 구체적으로, 분류 모델은 딥 러닝 기반으로 학습된 합성곱 신경망(Convolution Neural Network) 구조의 분류 모델일 수 있다.
판정부(190)는 결함 검출부(130)에 의해 추출된 결함의 특징값과 분류부(170)에 의해 분류된 그룹에 대한 불량 판정 기준을 비교하여 검사 대상 제품의 불량 여부를 판정한다.
이때, 상술한 복수의 그룹 각각에 대한 불량 판정 기준은 미리 설정될 수 있으며, 각 그룹마다 상이할 수 있다. 구체적으로, 판정부(190)는 결함 영상이 속하는 그룹에 대한 불량 판정 기준과 해당 결함 영상에 포함된 결함의 특징값을 비교하여 검사 대상 제품의 불량 여부를 최종적으로 판정할 수 있다.
한편, 결함 검출부(130)에 의해 검출된 결함이 복수인 경우, 판정부(190)는 각 결함 별로 불량 여부를 판정할 수 있으며, 검출된 결함 중 적어도 하나가 불량으로 판정된 경우, 제품이 불량인 것으로 판정할 수 있다.
또한, 실시예에 따라, 분류부(170)에 의해 특정 결함에 대한 결함 영상이 정상으로 분류된 경우, 판정부(190)는 해당 결함에 대한 불량 여부 판정을 생략할 수 있다.
도 2는 본 발명의 일 실시예에 따른 검사 방법의 순서도이다.
도 2에 도시된 방법은 예를 들어, 도 1에 도시된 검사 장치(100)에 의해 수행될 수 있다.
도 2를 참조하면, 우선, 검사 장치(100)는 검사 대상 제품을 촬영한 제품 영상을 획득한다(210).
이후, 검사 장치(100)는 획득된 제품 영상에서 검사 대상 제품의 결함을 검출한다(220).
이후, 검사 장치(100)는 검출된 결함의 특징값을 추출한다(230). 이때, 특징 값은 예를 들어, 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함할 수 있다.
또한, 검출된 결함이 복수인 경우, 검사 장치(100)는 검출된 결함 각각에 대한 특징값을 추출할 수 있다.
이후, 검사 장치(100)는 제품 영상에서 검출된 결함을 포함하는 결함 영상을 추출한다(240). 이때, 검출된 결함이 복수인 경우, 검사 장치(100)는 검출된 각 결함에 대한 결함 영상을 추출할 수 있다.
이후, 검사 장치(100)는 추출된 결함 영상을 복수의 그룹 중 하나로 분류한다(250). 이때, 결함 영상이 복수인 경우, 검사 장치(100)는 각 결함 영상을 복수의 그룹 중 하나로 분류할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 검사 장치(100)는 복수의 그룹 별로 미리 수집된 복수의 결함 영상을 이용하여 학습된 분류 모델을 이용하여 각 결함 영상을 분류할 수 있다. 이때, 분류 모델은 딥 러닝 기반의 분류 모델일 수 있으며, 보다 구체적으로, 분류 모델은 딥 러닝 기반으로 학습된 합성곱 신경망 구조의 분류 모델일 수 있다.
이후, 검사 장치(100)는 검출된 결함의 특징 값을 결함 영상이 속하는 그룹에 대한 불량 판정 기준과 비교하여 검사 대상 제품의 불량 여부를 판정한다(260).
이때, 불량 판정 기준은 복수의 그룹 각각에 대해 상이하게 설정될 수 있다. 또한, 검사 장치(100)는 검출된 결함이 복수인 경우, 검출된 각 결함으로부터 추출된 특징 값을 해당 결함에 대한 결함 영상이 속하는 그룹에 대한 불량 판정 기준과 비교할 수 있으며, 검출된 결함들 중 적어도 하나가 불량으로 판정된 경우, 검사 대상 제품을 불량으로 판정할 수 있다.
한편, 도 2에 도시된 순서도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 3은 본 발명의 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(1)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(1)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 검사 장치(100)에 포함되는 하나 이상의 컴포넌트일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
1: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 검사 장치
110: 영상 획득부
130: 결함 검출부
150: 결함 영상 추출부
170: 분류부
190: 판정부

Claims (10)

  1. 검사 대상 제품을 촬영한 제품 영상을 획득하는 영상 획득부;
    상기 제품 영상에서 상기 검사 대상 제품의 결함을 검출하고, 상기 검출된 결함의 특징값을 추출하는 결함 검출부;
    상기 제품 영상에서 상기 검출된 결함을 포함하는 결함 영상을 추출하는 결함 영상 추출부;
    기수집된 복수의 결함영상과, 상기 복수의 결함영상의 결함종류의 관계가 학습된 분류모델을 이용하여, 상기 추출된 결함 영상을 결함의 종류를 분류한 복수의 그룹 중 어느 하나의 그룹으로 분류하는 분류부; 및
    상기 특징값을 상기 분류된 그룹에 대한 불량 판정 기준과 비교하여 상기 검사 대상 제품의 불량 여부를 판정하는 판정부를 포함하는 검사 장치.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 분류 모델은, 딥 러닝(deep learning) 기반 분류 모델인 검사 장치.
  4. 청구항 1에 있어서,
    상기 불량 판정 기준은, 상기 복수의 그룹별로 상이한 검사 장치.
  5. 청구항 1에 있어서,
    상기 특징 값은, 상기 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함하는 검사 장치.
  6. 검사 대상 제품을 촬영한 제품 영상을 획득하는 단계;
    상기 제품 영상에서 상기 검사 대상 제품의 결함을 검출하는 단계;
    상기 검출된 결함의 특징값을 추출하는 단계;
    상기 제품 영상에서 상기 검출된 결함을 포함하는 결함 영상을 추출하는 단계;
    기수집된 복수의 결함영상과, 상기 복수의 결함영상의 결함종류의 관계가 학습된 분류모델을 이용하여, 상기 추출된 결함 영상을 결함의 종류를 분류한 복수의 그룹 중 어느 하나의 그룹으로 분류하는 단계; 및
    상기 특징값을 상기 분류된 그룹에 대한 불량 판정 기준과 비교하여 상기 검사 대상 제품의 불량 여부를 판정하는 단계를 포함하는 검사 방법.
  7. 삭제
  8. 청구항 6에 있어서,
    상기 분류 모델은, 딥 러닝(deep learning) 기반 분류 모델인 검사 방법.
  9. 청구항 6에 있어서,
    상기 불량 판정 기준은, 상기 복수의 그룹별로 상이한 검사 방법.
  10. 청구항 6에 있어서,
    상기 특징 값은, 상기 검출된 결함의 밝기, 크기(size), 피크(peak), 면적(area), 델타X(dx), 델타Y(dy), 밀도(density), 두께(Thickness) 및 음영(shading) 중 적어도 하나를 포함하는 검사 방법.
KR1020170176944A 2017-12-21 2017-12-21 검사 장치 및 방법 KR102058427B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170176944A KR102058427B1 (ko) 2017-12-21 2017-12-21 검사 장치 및 방법
CN201811571289.7A CN109946303A (zh) 2017-12-21 2018-12-21 检查装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170176944A KR102058427B1 (ko) 2017-12-21 2017-12-21 검사 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180004046A KR20180004046A (ko) 2018-01-10
KR102058427B1 true KR102058427B1 (ko) 2019-12-23

Family

ID=60998887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170176944A KR102058427B1 (ko) 2017-12-21 2017-12-21 검사 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102058427B1 (ko)
CN (1) CN109946303A (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200000541A (ko) * 2018-06-25 2020-01-03 주식회사 수아랩 인공 신경망의 학습 방법
KR20200072302A (ko) 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
KR102148817B1 (ko) * 2018-12-14 2020-08-28 한국광기술원 불량 콘택트렌즈 검출 시스템 및 방법
KR102172768B1 (ko) * 2019-01-10 2020-11-02 (주)펨트론 기포에 의한 기판불량 검사시스템 및 기포에 의한 기판불량 검사방법
KR102601135B1 (ko) * 2019-01-15 2023-11-13 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR102342337B1 (ko) * 2019-01-24 2021-12-23 가천대학교 산학협력단 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법
CN110473179B (zh) * 2019-07-30 2022-03-25 上海深视信息科技有限公司 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
CN110441315B (zh) * 2019-08-02 2022-08-05 英特尔产品（成都）有限公司 电子部件测试设备和方法
KR20210031569A (ko) * 2019-09-11 2021-03-22 (주) 넥스트랩 제품 품질 관리 시스템 및 방법
KR102384771B1 (ko) * 2019-12-06 2022-04-08 (주)임펙 엔터프라이즈 컨포멀 코팅된 pcb에서 기포를 검출하는 방법 및 장치와 이를 위한 컴퓨터로 판독 가능한 기록매체
EP3878653A1 (de) * 2020-03-11 2021-09-15 Heidelberger Druckmaschinen AG Inspektion mit fehlerklassifizierung
KR102369293B1 (ko) * 2020-07-06 2022-03-03 한국생산기술연구원 듀얼 딥러닝을 이용한 제품의 내부 결함 검사 시스템 및 방법
WO2022250481A1 (ko) * 2021-05-26 2022-12-01 주식회사 프로젝트노아 불량 검출 장치
KR102686135B1 (ko) * 2021-06-11 2024-07-19 주식회사 러닝비전 인공지능을 활용한 결함 검사 방법 및 인공지능을 활용한 결함 검사 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011089976A (ja) * 2009-09-28 2011-05-06 Hitachi High-Technologies Corp 欠陥検査装置および欠陥検査方法
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4176041B2 (ja) * 2004-04-14 2008-11-05 オリンパス株式会社 分類装置及び分類方法
JP2008175588A (ja) * 2007-01-16 2008-07-31 Kagawa Univ 外観検査装置
CN101696943B (zh) * 2009-11-13 2012-12-26 无锡众望四维科技有限公司 机器视觉系统对医用手术刀瑕疵的在线检测方法
CN102095733B (zh) * 2011-03-02 2012-08-08 上海大学 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法
JP2014020926A (ja) * 2012-07-18 2014-02-03 Jfe Steel Corp 表面欠陥検査装置及び表面欠陥検査方法
CN103954634A (zh) * 2014-05-08 2014-07-30 昆明瑞丰印刷有限公司 一种印刷品在线质量检测系统
CN105548216B (zh) * 2016-01-15 2019-03-12 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN205719562U (zh) * 2016-04-13 2016-11-23 点优信息科技（上海）有限公司 汽车后视镜瑕疵自动检测系统
CN107123107A (zh) * 2017-03-24 2017-09-01 广东工业大学 基于神经网络深度学习的布匹缺陷检测方法
CN107123114A (zh) * 2017-04-21 2017-09-01 佛山市南海区广工大数控装备协同创新研究院 一种基于机器学习的布匹缺陷检测方法及装置
CN206772843U (zh) * 2017-05-17 2017-12-19 无锡精质视觉科技有限公司 结合ccd线扫描相机与深度学习的缺陷分类检测系统
CN107328793B (zh) * 2017-06-30 2019-12-03 航天新长征大道科技有限公司 一种基于机器视觉的饰品表面字印瑕疵检测方法和装置
CN107451997A (zh) * 2017-07-31 2017-12-08 南昌航空大学 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011089976A (ja) * 2009-09-28 2011-05-06 Hitachi High-Technologies Corp 欠陥検査装置および欠陥検査方法
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법

Also Published As

Publication number Publication date
CN109946303A (zh) 2019-06-28
KR20180004046A (ko) 2018-01-10

Similar Documents

Publication Publication Date Title
KR102058427B1 (ko) 검사 장치 및 방법
US10885618B2 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
US10878283B2 (en) Data generation apparatus, data generation method, and data generation program
CN110349145B (zh) 缺陷检测方法、装置、电子设备以及存储介质
CN112577969B (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测系统
US11378522B2 (en) Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium
JP6786035B2 (ja) 航空機用部品の欠陥検出システム及び航空機用部品の欠陥検出方法
EP3220353A1 (en) Image processing apparatus, image processing method, and recording medium
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN111951210A (zh) 数据的处理方法、装置及设备
CN113469944A (zh) 一种产品质检方法、装置和电子设备
CN115147362A (zh) 显示器面板的检测方法、检测装置和检测系统
CN114078109A (zh) 图像处理方法、电子装置和存储介质
US11562557B2 (en) Character-recognition sharpness determinations
CN114226262A (zh) 瑕疵检测方法、瑕疵分类方法及其系统
CN112446850B (zh) 适配测试方法、装置及电子设备
CN116091503A (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
US10241000B2 (en) Method for checking the position of characteristic points in light distributions
CN111523544A (zh) 车牌类型检测方法、系统、计算机设备及可读存储介质
CN111412941A (zh) 安装质量的检测方法及装置
WO2024095721A1 (ja) 画像処理装置および画像処理方法
CN114627114B (zh) 产品缺陷严重程度测量方法及系统及装置及介质
KR102655139B1 (ko) 이미지 분할 검사에 따른 카메라 모듈의 불량에 관한 특징 구분 방법 및 시스템
US20220415055A1 (en) Image identification method and image surveillance apparatus
CN116630240A (zh) 一种aoi粒子压痕检测方法、装置及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant