KR102292547B1

KR102292547B1 - 가변 확산판을 이용한 광학 시스템

Info

Publication number: KR102292547B1
Application number: KR1020200044074A
Authority: KR
Inventors: 송기영; 조훈민; 임종규
Original assignee: 코그넥스코오포레이션
Priority date: 2020-04-10
Filing date: 2020-04-10
Publication date: 2021-08-20
Also published as: US20210318565A1; US11531220B2; JP2024020622A; JP2021167812A; CN113514467A; KR20210126524A; JP7399906B2

Abstract

본 개시의 일 실시예에 따라, 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치가 개시된다. 상기 결함 검사 장치는, 상기 검사 대상 물체에 광을 조영하기 위한 광원; 및 상기 광원과 검사 대상 물체 사이에 위치하며, 검사 대상 물체에 투광되는 광의 확산도 조절이 가능한 가변 디퓨져; 를 포함하는 조명계; 및 상기 검사 대상 물체의 특성에 기초하여 상기 가변 디퓨져를 제어하는 하나 이상의 프로세서; 를 포함할 수 있다.

Description

가변 확산판을 이용한 광학 시스템{OPTIC SYSTEM USING DYNAMIC DIFFUSER}

본 발명은 결함 검사 장비에 관련된 것으로서, 보다 구체적으로 검사 대상 물체 표면의 결함여부를 검사하기 위한 장치에 관한 것이다.

공장에서 일 대상을 생산하는 과정에서, 기계, 공정 또는 그 밖의 사유로 인하여 대상에 결함이 있을 수 있다. 공장에서는 대상의 생산이 완료되어 출고되기 전에 해당 대상에 결함이 있는지 여부를 확인하는 절차를 거치는 것이 일반적이다.

그리고 최근 당업계에서는 공정 시간을 단축하여 신속하게 대상 물품의 결함을 검사하기 위해 컴퓨터 비전을 활용하여 검사 대상 물품의 양불을 판정하는 기술이 도입되고 있다.

다만, 종래기술에 따른 컴퓨터 비전 기술은 확산판이 부착된 상태의 조명계만을 사용하기 때문에 조명의 산란이 심하여 매끄러운 표면, 반짝이는 표면 또는 광택이 있는 표면 등을 가지는 검사 대상 물체를 검사할 때 미세 스크래치(scratch), 단차, 찍힘(dent)등의 표면 결함 인식률이 떨어지는 단점이 있었다.

대한민국 등록특허 제10-1517929호(발명의 명칭: 논스톱 부품 검사가 가능한 고속 로봇비전 장치)에는 검사 대상물의 외측에 배치된 다관절 로봇을 이용해 상기 검사 대상물을 촬영하고, 촬영된 영상 이미지로부터 검사대상물의 양불을 판정하는 장치가 개시되어 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 검사 대상 물체 표면의 결함을 보다 효율적으로 검출하는 검사 장치를 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는, 상기 검사 대상 물체에 광을 조영하기 위한 광원; 및 상기 광원과 검사 대상 물체 사이에 위치하며, 검사 대상 물체에 투광되는 광의 확산도 조절이 가능한 가변 디퓨져; 를 포함하는 조명계; 및 상기 검사 대상 물체의 특성에 기초하여 상기 가변 디퓨져를 제어하는 하나 이상의 프로세서; 를 포함할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치의 상기 가변 디퓨져는, 상기 프로세서의 전기 신호에 따라서 상기 가변 디퓨져를 통과하는 빛의 확산도가 조절될 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치의 상기 가변 디퓨져는, 상기 프로세서의 전기 신호에 따라서 투명도가 조절되는 액정 필름을 포함할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치의 상기 가변 디퓨져는, 상기 프로세서의 제어 신호에 따라서, 배치 상태가 조절되는 디퓨져일 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치의 상기 가변 디퓨져는, 상기 프로세서의 제어 신호에 의해, 대상 물체의 표면에 영역별로 투광되는 빛의 확산도를 다르게 조절할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는 이미지 데이터를 획득하기 위한 촬영부;를 더 포함하고, 상기 프로세서는, 상기 획득된 이미지 데이터로부터 검사 대상 물체를 인식하여 인식된 물체에 기초하여 검사 대상 물체에 투광되는 빛의 확산도를 결정하고 그에 따라 상기 가변 디퓨져를 제어할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는 이미지 데이터를 획득하기 위한 촬영부;를 더 포함하고, 상기 프로세서는, 상기 획득된 이미지 데이터로부터 검사 대상 물체 표면의 빛의 반사도에 기초하여 상기 검사 대상 물체에 투광되는 빛의 확산도를 결정하고 그에 따라 상기 가변 디퓨져를 제어할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는 이미지 데이터를 획득하기 위한 촬영부;를 더 포함하고, 상기 프로세서는, 상기 촬영부를 통해 획득된 이미지 데이터에서 검사 대상 물체를 인식하는 동작; 및 상기 인식을 통해 검사 대상 물체 표면의 적어도 일 영역에서 요구되는 빛의 확산도가 나머지 다른 영역과 상이한 경우, 상기 가변 디퓨져를 영역별로 제어 하거나, 또는 상기 가변 디퓨져가 적어도 서로 다른 두 투명도를 갖도록 제어하는 동작을 포함할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는 이미지 데이터를 획득하기 위한 촬영부; 및 딥러닝 기반 모델을 저장하는 메모리; 를 더 포함하고, 상기 프로세서는, 상기 가변 디퓨져의 투명도에 따른 하나 이상의 이미지 데이터를 상기 딥러닝 기반 모델의 하나 이상의 서브모델을 이용하여 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단할 수 있다.

대안적인 실시예에서 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치는 이미지 데이터를 획득하기 위한 촬영부; 및 딥러닝 기반 모델을 저장하는 메모리; 를 더 포함하고, 상기 프로세서는, 상기 가변 디퓨져의 투명도가 투광되는 광을 확산시키지 않는 경우, 획득된 비확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 1 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하는 동작; 및 상기 가변 디퓨져의 투명도가 투광되는 광을 확산시키는 경우, 획득된 확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 2 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하는 동작을 포함할 수 있다.

본 개시의 다른 일 실시예에 따른 검사 대상 물체의 어노말리 여부를 판단하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 결함 검사 장치의 하나 이상의 프로세서에서 실행되는 경우 검사 대상 물체의 결함 여부를 판단하기 위한 동작들을 수행한다.

본 개시의 또 다른 일 실시예에 따라 결함 검사 장치에서 수행되는 검사 대상 물체 표면의 결함 여부를 검사하기 위한 방법이 개시된다.

본 개시는 검사 대상 물체 표면의 결함을 보다 효율적으로 검출하는 검사 장치를 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 결함 검사 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시에서 정의하는 엣지 필드(Edge field)의 개념을 설명하기 위한 예시를 도시한 도면이다.
도 3a 및 3b는 본 개시의 일 실시예에 따른 가변 디퓨져와 조명계의 예시를 도시한다.
도 3c 및 3d는 본 개시의 일 실시예에 따른 가변 디퓨저의 동작 상태에 따른 검사 대상 물체 표면에 투광되는 광을 개략화한 도면이다.
도 4는 본 개시의 일 실시예에 따라 결함 검사장치에 적용되는 조명계의 구성을 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 가변 디퓨져의 투명도에 따른 빛의 확산도를 예시한 도면이다.
도 6은 본 개시의 일 실시예에 따라 프로세서가 가변 디퓨져의 투명도를 제어하여 빛의 확산도를 조절하는 방법을 예시한 도면이다.
도 7은 본 개시의 다른 일 실시예에 따라 프로세서가 가변 디퓨져의 배치를 제어하여 빛의 확산도를 조절하는 방법을 예시한 도면이다.
도 8은 본 개시의 일 실시예에 따라 결함 검사 장치에 사용되는 가변 디퓨져가 영역별로 제어되는 예시를 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따라 프로세서가 가변 디퓨져의 투명도를 제어한 경우 변화된 투명도를 예시한 도면이다.
도 10a, 10b는 가변 디퓨져의 투명도에 따른 검사 대상 물체 표면의 암영역에 대한 시인성 변화를 예시한 도면이다.
도 11, 12, 13, 14, 15, 16은 본 개시의 일 실시예에 따라 검사 대상 물체의 표면 특성에 따라 가변 디퓨져의 투명도를 제어하고 그에 따라 획득된 이미지 데이터를 예시한 도면이다.
도 17은 본 개시의 일 실시예에 따라 결함 검사 장치에 적용되는 조명계에 포함된 복수의 광원의 구성을 도시한 도면이다.
도 18은 본 개시의 일 실시예에 따라 결함 검사장치의 조명계에 의해 검사 대상 물체 표면에 투광된 영역별로 상이한 조도를 갖는 조명 패턴의 예시도이다.
도 19는 본 개시의 다른 실시예에 따라 결함 검사 장치에 적용되는 조명계 구성의 예시도이다.
도 20은 본 개시의 일 실시예에 따른 결함 검사 장치에 적용되는 조명계의 단면을 도시한 도면이다.
도 21은 본 개시의 일 실시예에 따른 결함 검사 장치가 검사 대상 물체에 존재하는 결함의 위치를 표시한 예시도이다
도 22는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 명세서에서 물체에 투광되는 광의 확산도가 높다는 것은 가변 디퓨져의 투명도가 낮은 상태를 의미한다. 즉, 빛이 산란되는 상태에서 물체에 도달한다는 것을 의미한다. 반대로 물체에 투광되는 광의 확산도가 낮다는 것은 가편 디퓨져의 투명도가 높은 상태를 의미한다. 즉, 빛이 거의 산란되지 않거나 혹은 광원에서 출발한 빛이 그대로 물체에 도달한다는 것을 의미한다. 다시 말해, 본 명세서에서 결함 검사 장치는 가변 디퓨져의 투명도 또는 배치를 제어하여 상기 제어를 통해 물체에 투광되는 빛의 확산도를 조절한다.

이하에서는 도 1을 참조하여 본 개시의 실시예에 따른 결함 검사 장치의 구성을 서술한다.

도 1은 본 개시의 일 실시예에 따라 검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치의 블록 구성도를 도시한 도면이다. 결함 검사 장치(100)는, 프로세서(110), 메모리(120), 네트워크(130), 촬영부(140) 및 조명계(200)를 포함할 수 있다.

도 1에 도시된 결함 검사 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 결함 검사 장치(100)는 검사 대상 물체 표면의 결함여부를 검사하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 결함 검사 장치(100)를 구성할 수도 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크(130)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크(130)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크(130)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.　

본 개시에서 네트워크(130)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따른 결함 검사 장치(100)는 후술하는 구성요소들에 의해 구현되어, 검사 대상 물체(10)의 결함을 검사할 수 있다. 검사 대상 물체(10)는 결함 검사 장치(100)의 구성 요소는 아니며, 결함 검사 장치의 구성 또는 동작을 설명하기 위한 부수적인 구성이다.

결함 검사 장치(100)는 조명계(200) 및 프로세서(110)를 포함할 수 있다. 조명계(200)는 검사 대상 물체에 광을 조영하기 위한 광원 및 상기 광원과 검사 대상 물체(10) 사이에 위치하며 검사 대상 물체에 투광되는 광의 확산도 조절이 가능한 가변 디퓨져(300)를 포함할 수 있다. 프로세서(110)는 검사 대상 물체(10)의 특성에 기초하여 상기 가변 디퓨져를 제어할 수 있다.

프로세서(110)는 물체 표면의 특성(예를 들어 질감, 재질, 색깔, 광택유무 등) 및 사용자에 의해 선택된 특성을 모두 포함하는 검사 대상 물체(10)의 특성에 기반하여 가변 디퓨져를 제어한다. 예를 들어, 프로세서(110)는 물체 표면에 관한 이미지 데이터로부터 검사를 위해 필요한 가변 디퓨져의 투명도를 결정할 수 있다. 또 다른 실시예로 프로세서(110)는 사용자에 의해 선택된 특성을 가지는 물체에 대해서 사전 결정된 제어 방식 또는 사전 결정된 일련의 제어 순서에 따라 가변 디퓨져를 제어할 수도 있다. 구체적으로, 프로세서는 판매 비용이 특정값을 초과하는 고가의 제품에 대해서는 불량 검출률을 높이기 위해 가변 디퓨져에 의해 물체에 투광되는 광의 확산도가 낮은 상태와 높은 상태 모두 검사할 수 있도록 가변 디퓨져를 제어할 수 있다. 이 경우 사용자에 의해 선택된 특성이란 제품의 가격이 될 수 있다. 전술한 특성은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에 걸쳐, 엣지 필드(edge field)는 검사 대상 물체 표면에 광원의 상이 맺혀 비치는 경우, 광원의 상에 의하여 물체 표면에 조사되는 광의 조도가 변화하는 부분을 지칭하기 위한 용어이다. 엣지 필드는 광학계에서 사용되는 다크 필드(dark field), 라이트 필드(light field)에 상응될 수 있도록 본 명세서에서 정의된 단어로서, 검사 대상 물체 표면에 조명 광원의 상이 맺혀 비칠 때, 광원의 가장 밝은 중심부로부터 사전 결정된 거리 이내의 영역을 말한다.

이하 도 2를 참조하여 추가적으로 엣지 필드의 개념에 대해 설명한다.

상기 엣지 필드(Edge field)의 사전 결정된 거리(d)(참조번호 12)는 검사 대상 물체(10)의 표면에 광원의 상이 맺혀 비치는 광원 영역(11)보다 넓은 영역을 포함하도록 구성된다. 즉, 상기 엣지 필드는 광원이 직접적으로 비쳐 다른 영역보다 조도가 높은 광원 영역(11)과 광원이 직접적으로 비치는 부분을 벗어나 상대적으로 조도가 낮은 영역(13)을 일부 포함할 수 있도록 결정될 수 있다. 광원의 상이 맺혀 비치는 광원 영역(11)이란, 검사 대상 물체 표면의 특성에 따라 빛을 투광한 광원 자체의 형상이 그대로 검사 대상 물체 표면에 나타나는 경우의 광원의 형상을 의미한다. 광원의 형상은 광원의 형태에 따라서, 예를 들어 원형의 광원 형상, 직선형의 광원 형상, 다각형의 광원 형상 등을 포함하나 본 개시는 이에 제한되지 않고 특정 형상을 갖는 광원을 모두 포함한다.

결론적으로 엣지 필드는 상기 광원 영역(11)과 광원의 중심으로부터 사전 결정된 거리(d)(참조번호 12)만큼 떨어진 영역 내에 존재하는 상대적으로 조도가 낮은 영역(13)을 포함하는 총 영역을 말한다.

상기 엣지 필드의 사전 결정된 거리는 검사 대상 물체의 특성, 사용자의 선택 등에 따라 크거나 작게 결정될 수 있다. 예를 들어 검사 대상 물체가 어떠한 작은 스크래치(scratch)나 찍힘(dent)도 허용하지 않는 경우, 프로세서(110)는 엣지 필드의 사전 결정된 거리를 작게 설정하여 매우 촘촘하게 광을 투광하여 검사 대상 물체 표면을 검사할 수 있다. 반대로 상대적으로 중요도가 낮은 검사 과정이거나 일정 크기 이상의 결함만 검사해도 충분한 경우에 프로세서(110)는 엣지 필드의 사전 결정된 거리를 더 크게 설정할 수 있다. 전술한 엣지 필드의 범위에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에서 "조도의 급격한 변화를 포함하는 영역"이란 "적어도 하나 이상의 엣지 필드(Edge field)를 포함하는 영역"과 동일한 의미로 사용된다.

이하에서는 도 3A, 3B, 3C, 3D를 참조하여 엣지 필드(Edge field) 개념을 도입한 이유에 대해 서술한다.

일반적으로 당업계에서는 검사 대상 물체의 표면을 관찰하기 위해 조명계(200)의 조명판에 확산판(diffuser)을 부착하여 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 상태(300b)에서 물체의 결함을 검사한다(도 3B 참조). 즉, 검사 대상 물체(10) 표면 전체에 일정한 조도를 갖는 빛을 투광한다(도 3D 참조). 이는 일반적으로 검사 대상 물체(10)의 표면에 광원의 상이 직접적으로 맺히는 광원 영역(11)이 존재하게 되면 영역별로 조도가 상이하여 표면을 균일하게 관찰할 수 없기 때문이다.

그러나, 반짝이는(shiny, glossy) 재질의 표면, Metal Frame의 표면 또는 거울면과 같이 입사된 빛을 특정 각도로 정반사하는 검사 대상 물체(10)의 표면에서는 스크래치(scratch), 단차, 찍힘(dent) 등을 포함하는 외관 불량을 검출하는 경우, 확산판(diffuser)이 존재하지 않거나 확산판(diffuser)의 투명도가 높은 Edge Field 광학계(도 3A 참조)에서 시인성이 증가된다. 즉, 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 상태(300a)에서 검사 대상 물체(10) 표면에 광원 영역(11)과 어두운 영역(14)이 교차하여 나타날 수 있도록 조명을 투광하면 확산판이 존재할 때는 쉽게 검출할 수 없었던 표면 결함(1)을 검출할 수 있다(도 3C 참조).

본 개시의 일 실시예에 따른 결함 검사 장치(100)가 검사 대상 물체(10)의 특성에 기초하여 가변 디퓨져를 제어하는 이유는 상기한 바와 같이 검사 대상 물체에 투광되는 빛이 확산되지 않는 엣지 필드 광학계(도 3A 참조) 및 검사 대상 물체에 투광되는 빛이 확산되는 일반적인 광학계(도 3B 참조)를 검사 대상 물체의 표면에 따라서 적절히 사용할 경우 표면 결함 검출 확률이 증가되는 장점을 가지기 때문이다.

본 개시의 일 실시예에 따른 결함 검사 장치(100)의 조명계(200)에 포함되는 상기 가변 디퓨져(300)는, 프로세서의 전기 신호에 의해 투명도가 제어되어 통과하는 빛의 확산도가 조절될 수 있다. 결함 검사 장치(100)의 조명계(200)에 포함되는 상기 가변 디퓨져(300)는, 전기 신호에 따라서 투명도가 조절되는 액정 필름을 포함할 수 있다. 본 개시의 다른 실시예에 따라, 결함 검사 장치(100)의 조명계(200)에 포함되는 상기 가변 디퓨져(300)는 프로세서의 제어 신호에 따라서 배치 상태가 조절되어 검사 대상 물체(10)에 투광되는 빛의 확산도를 조절할 수 있다.

도 4는 본 개시의 일 실시예에 따른 결함 검사 장치(100)에 포함된 조명계(200)의 조명판 및 가변 디퓨져(300)를 나타낸다.

검사 대상 물체(10)에 투광되는 광의 확산도를 조절하기 위해 가변 디퓨져(300)는 프로세서(110)의 전기 신호에 의해 투명도가 조절되는 방식으로 제어될 수 있다. 검사 대상 물체(10)에 투광되는 광의 확산도를 조절하기 위해 가변 디퓨져(300)는 프로세서(110)의 전기 신호에 의해 배치가 변경되는 방식으로 제어될 수 있다.

결함 검사 장치(100)의 조명계(200)에 포함되는 가변 디퓨져(300)는, 인가되는 전압에 따라 투명도가 변하고 그에 따라 통과하는 빛의 확산도가 조절될 수 있다.

이하에서는 도 5 및 도 6을 참조하여 설명한다.상기 가변 디퓨져(300)에 전압이 인가되어 검사 대상 물체에 투광되는 빛의 확산도가 낮게 조절된 상태 (300a)에서, 가변 디퓨져의 액정 내부에 있는 각 액정분자는 빛의 진행경로에 평행하게 배열될 수 있다. 이때 조명판으로부터 투광된 빛은 가변 디퓨져(300)를 통과할 때 빛의 진행방향을 유지하게 되어 검사 대상 물체(10)에 그대로 도달한다. 즉, 가변 디퓨져의 투명도가 높은 상태에서 빛이 통과하기 때문에 빛의 확산도가 낮다. 반면, 상기 가변 디퓨져(300)에 전압이 인가되지 않아 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 상태(300b)에서는 가변 디퓨져 액정 내부의 각 액정 분자는 임의의 방향으로 랜덤하게 배열될 수 있다. 이때 조명판으로부터 투광되어 이러한 액정 분자를 통과한 빛은 확산도가 높아져 검사 대상 물체(10)에 도달하기 전에 빛이 퍼지게 된다. 즉, 가변 디퓨져의 투명도가 낮은 상태에서 빛이 통과하기 때문에 빛의 확산도가 높다.

상기 전기 신호에 따라서 빛의 확산도가 조절되는 가변 디퓨져(300)는 전기 신호에 의해 그 투명도가 조절되는 재질로 이루어질 수 있다. 예를 들어, 가변 디퓨져는 LCD 필름, 고분자 분산액정 필름(PDLC 필름) 등이 사용될 수 있다. 전술한 가변 디퓨져의 재질은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 결함 검사 장치(100)의 조명계(200)에 포함되는 가변 디퓨져(300)는, 프로세서(110)의 전기 신호에 따라 3차원 공간상 배치가 조절되는 방식으로 제어될 수도 있다.

이하에서는 도 7을 참조하여 설명한다. 도 7은 가변 디퓨져(300)의 공간상 배치를 '슬라이딩'방식으로 제어하는 예를 도시한 도면이다.

도 7의 (a)는 프로세서의 전기 신호에 의해 가변 디퓨져(300)가 검사 대상 물체(10)에 투광되는 빛의 확산도를 낮게 유지하기 위해 가변 디퓨져의 배치가 변경된 예시이다. 도 7의 (b)는 프로세서의 전기 신호에 의해 가변 디퓨져(300)가 검사 대상 물체(10)에 투광되는 빛의 확산도를 높이기 위해 광원과 검사 대상 물체 사이에 가변 디퓨져가 위치하는 예시도이다. 이때 가변 디퓨져(300)의 투명도는 검사 대상 물체(10)에 따라 다르게 적절히 선택될 수 있다.

상기 도 7에서 설명된 가변 디퓨져의 공간상 배치 변경 방법은 일 예시일 뿐이고, 본 개시는 제한없이 검사 대상 물체에 투광되는 빛의 확산도를 조절하기 위해 가변 디퓨져(300)의 공간상 배치를 변경하는 방법 및 검사 장치를 포함한다.

일반적으로 당업계에서는, 제조된 물건을 검수하기 위해 확산판이 부착된 검사 장비를 사용한다. 그러나, 전술한 바와 같이 유광 표면 특성을 갖는 검사 대상 물체와 무광 표면 특성을 갖는 검사 대상 물체의 경우, 표면 결함 검출을 위하여 디퓨져의 필요 여부가 상이할 수 있다. 그러나 만약 생산되는 제품마다 디퓨져 사용 유무에 따라 사용자가 직접 디퓨져를 탈착해야 한다면 이는 큰 비용과 시간이 요구된다. 따라서 본 개시는 가변 디퓨져(300)를 통해 빛의 확산도를 active하게 제어할 수 있어 생산 비용과 시간을 절감할 수 있는 효과를 가진다. 나아가, 가변 디퓨져의 투명도를 프로세서가 실시간으로 제어할 수 있음으로 인해, 본 개시에 따른 하나의 결함 검사 장치를 사용하여 여러가지 생산 제품을 검수할 수 있으므로 경제적인 장점도 가진다.

본 개시의 일 실시예에 따른 결함 검사 장치(100)의 조명계(200)에 포함되는 가변 디퓨져(300)는, 프로세서(110)의 제어 신호에 의해 대상 물체의 표면에 영역별 투광되는 빛의 확산도를 다르게 조절할 수 있다.

검사 대상 물체(10)에 투광되는 빛의 확산도를 조절하기 위해, 프로세서(110)가 전기 신호를 이용하여 투명도를 제어하는 가변 디퓨져(300)의 경우, 영역별로 가변 디퓨져(300)의 투명도를 다르게 제어할 수 있다. 예를 들어, 도 8에 도시된 바와 같이, 프로세서(110)는 가변 디퓨져(300)를 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 상태(300a)의 일영역과, 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 상태(300b)의 다른 일영역으로 구분하여 영역별로 제어할 수 있다. 상기 프로세서(110)가 가변 디퓨져(300)를 영역별로 제어한다는 의미는 가변 디퓨져(300)의 적어도 일영역과 다른 영역의 투명도를 다르게 제어할 수 있다는 의미이다. 상기 적어도 일영역과 다른 투명도로 제어되는 영역의 수는 복수일 수 있다. 상기 프로세서(110)는 가변 디퓨져(300)를 영역별로 제어함에 있어서 특정한 패턴을 가지게 제어할 수 있다. 상기 특정한 패턴은 세로선, 가로선, 대각선, 원형 또는 다각형일 수 있다. 상기 특정한 패턴을 제어하기 위해 가변 디퓨져(300)는 복수의 개별 가변 디퓨져의 집합으로 이루어 질 수도 있다. 상기 영역별 패턴은 일 실시예에 지나지 않으며 본 개시는 이에 제한되지 않고 어떠한 패턴으로도 가변 디퓨져를 제어하여, 검사 대상 물체의 원하는 표면에 투광되는 빛의 확산도를 조절할 수 있다. 상기한 바와 같은 가변 디퓨져(300)의 영역별 투명도 제어에 따르면 검사 대상 물체(10)의 표면에 따라 요구되는 가변 디퓨져(300)의 투명 상태를 한 번에 영역별로 구성할 수 있어 검사 속도가 빨라지는 장점이 있다.

검사 대상 물체(10)에 투광되는 광의 확산도를 조절하기 위해, 프로세서(110)가 가변 디퓨져의 배치 상태를 조절하는 경우, 프로세서는 상기 가변 디퓨져(300)를 광원과 검사 대상 물체의 일부 영역 사이에만 위치시킬 수 있다. 광원과 상기 일부 영역 사이에만 가변 디퓨져가 위치하게 되면 그 일부 영역에 대해서는 확산도가 높은 빛이 투광될 수 있고, 그렇지 않은 영역에 대해서는 확산도가 낮은 빛이 투광될 수 있다.

본 개시의 일실시예에 따른 결함 검사 장치(100)는 이미지 데이터를 획득하기 위한 촬영부를 포함할 수 있다. 프로세서는 촬영부로부터 획득된 이미지 데이터를 통해 검사 대상 물체의 표면 특성을 인식하여 인식된 물체에 기초하여 검사 대상 물체에 투광되는 빛의 확산도를 결정하고, 그에 따라 상기 가변 디퓨져(300)를 제어할 수 있다.

도 9는 본 개시의 일 실시예에 따른 결함 검사 장치(100)에 포함된 LCD 필름으로 이루어진 가변 디퓨져(300)를 나타낸다. 도 9의 (a)는 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 상태(300a)를 예시한다. 도 9의 (b)는 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 상태 상태(300b)를 예시한다.

이하 도 10A 및 도 10B를 참조하여 인식된 물체에 기초하여 검사 대상 물체에 투광되는 빛의 확산도를 결정하는 예시를 설명한다. 도 10A의 (a)는 프로세서(110)가 가변 디퓨져(300)를 제어하여 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 경우이다. 반대로 도 10A의 (b)는 프로세서(110)가 가변 디퓨져(300)를 제어하여 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 경우이다. 도 10A의 3a 및 3b는 각각 동일한 검사 대상 물체 표면 상의 동일한 라인을 의미한다. 상기 라인을 따라 측정한 검사 대상 물체 표면의 암영역(Dark field)에 대한 조도 분포는 도 10B에 예시되어 있다. 즉, 검사 대상 물체의 일영역인 암영역의 동일한 위치의 선분을 따라 조도 분포를 측정하면, 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 상태에서 이미지 데이터 상에 표시된 부분(3a)을 따라 조도분포를 측정한 경우(도 10B (a)참조)가 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 상태에서 이미지 데이터 상에 표시된 부분(3b)을 따라 측정된 경우(도 10B (b) 참조)보다 조도가 더 고르게 분포하고 있음을 알 수 있다. 조도의 분포가 고르다는 것은 그만큼 영역에 대한 구분이 세분화되어 있음을 의미하고, 이는 암영역에 관한 이미지 데이터의 화질을 좋게 만들어 결과적으로 외관 불량 검출의 효율이 증대된다.

본 개시의 일 실시예에서 상기 프로세서(110)는 상기 촬영부를 통해 획득된 이미지 데이터로부터 검사 대상 물체를 인식하고, 검사 대상 물체 표면의 빛의 반사도에 기초하여 상기 검사 대상 물체(10)에 투광되는 빛의 확산도를 결정하고 그에 따라 상기 가변 디퓨져를 제어할 수 있다.

상기 프로세서가 기초하는 물체 표면의 빛의 반사도란, 물체 표면이 매끄러운 재질 또는 광택이 있는 재질로 이루어져 입사된 대부분의 빛을 반사하는 표면, 무광택의 재질로 이루어져 입사된 빛의 일부를 반사하고 나머지는 흡수하는 표면, 투명 재질로 이루어져 입사된 대부분의 빛을 통과시키는 표면을 포함할 수 있다.

이하에서는 도 11 내지 16를 참조하여 발명의 실시예들을 설명한다

도 11 내지 16은 본 개시의 일 실시예의 가변 디퓨져에 의하여 빛의 확산도가 조절되는 경우, 빛의 확산도에 따라서 각각 획득되는 이미지 데이터를 나타낸 도면이다. 도 11 내지 16에서, 각 도면의 좌측 이미지는(도면의 (a)기호)는 가변 디퓨져(300)에 의해 검사 대상 물체(10)에 투광되는 빛의 확산도가 낮게 조절된 환경에서 촬영된 이미지 데이터의 예시이며, 각 도면의 우측 이미지(도면의 (b)기호)는 가변 디퓨져(300)에 의해 검사 대상 물체(10)에 투광되는 빛의 확산도가 높게 조절된 환경에서 촬영된 이미지 데이터의 예시이다. 예시적인 이미지 데이터에서 살펴본 바와 같이, 가변 디퓨져의 빛의 확산도 조절에 의하여, 각각의 도면에서 박스 형태로 표현된 결함 부분의 식별 가능성이 상이할 수 있다. 본 개시의 일 실시예의 결함 검사 장치(100)는 검사 대상 물체의 표면 특성, 검사 대상 물체의 결함 특성 등에 따라, 결함의 식별 가능성이 높아지도록 가변 디퓨져를 제어하여 검사 대상 물체에 투광되는 빛의 확산도를 조절할 수 있다.

도 11 (a), 12 (a), 13 (a), 14 (a), 15 (a), 16 (a)는 각각 가변 디퓨져의 투명도가 높게 제어된 경우이며 도 11(b), 12(b), 13(b), 14 (b), 15(b), 16(b)는 각각 가변 디퓨져의 투명도가 낮게 제어된 경우이다.

도 11은 검사 대상 물체 표면이 광택이 있는 재질로 이루어진 경우, 투광되는 빛의 확산도에 따른 차이를 예시한 도면이다. 도 11 (a)의 경우 표시된 부분(3a)을 보면, 표면 결함인 스크래치의 일 부분을 선명하게 볼 수 있는 장점이 있고, 도 11 (b)의 표시된 부분(3b)을 참조할 경우 스크래치의 전체 형상을 확인할 수 있다는 장점이 있다.

도 12는 검사 대상 물체가 투명 재질로 이루어진 경우, 투광되는 빛의 확산도에 따른 차이를 예시한 도면이다. 도 12 (a)에 표시된 부분(3a)을 보면, 투명한 검사 대상 물체 표면에 존재하는 스크래치를 도 12 (b)에서 촬영된 이미지 데이터의 동일 위치에 표시된 부분(3b)보다 선명하게 확인할 수 있음을 알 수 있다.

도 13은 검사 대상 물체에 제조공정 과정에서 투명한 재질의 풀(glue)이 묻은 경우의 이미지 데이터이다. 투광되는 빛의 확산도가 낮은 상태인 도 13 (a)에서 표시된 부분(3a)은 검사 대상 물체 표면에 존재하는 풀(glue)을 나타낸다. 투광되는 빛의 확산도가 높은 상태인 도 13 (b)에서 같은 위치에 표시된 부분(3b)을 확인해 보면, 확산도가 낮은 도 13 (a)에서 보다 쉽게 표면의 결함을 확인할 수 있음을 알 수 있다.

도 14는 검사 대상 물체(10) 표면에 찍힌 자국의 결함이 존재하는 경우의 예시적 이미지 데이터이다. 투광되는 빛의 확산도가 낮은 상태에서 촬영된 이미지 데이터(도 14 (a) 참조)에서 표시된 부분(3a)이 투광되는 빛의 확산도가 높은 상태에서 촬영된 이미지 데이터(도 14 (b) 참조)의 동일한 표시 부분(3b)보다 결함 주변의 빛의 변화가 심한 것을 확인할 수 있다.

도 15는 검사 대상 물체(10) 표면의 곡률이 일정하지 않은 결함이 존재하는 상태를 예시한다. 투광되는 빛의 확산도가 낮은 상태에서 촬영된 이미지 데이터(도 15 (a) 참조)에서 표시된 부분(3a)이 투광되는 빛의 확산도가 높은 상태에서 촬영된 이미지 데이터(도 15 (b) 참조)의 동일한 표시 부분(3b)보다 더 선명하게 결함부위에 관한 이미지 데이터를 얻을 수 있다.

도 16은 검사 대상 물체(10) 표면에 특이 형태의 결함이 존재하는 경우를 예시한다. 투광되는 빛의 확산도가 낮은 상태에서 촬영된 이미지 데이터(도 16 (a) 참조)에서 표시된 부분(3a)이 투광되는 빛의 확산도가 높은 상태에서 촬영된 이미지 데이터(도 16 (b) 참조)의 동일한 표시 부분(3b)보다 결함 부분에 관하여 높은 해상도의 이미지 데이터를 얻을 수 있다.

상기 도 11 내지 16에서 나타난 예시들은 일 예시에 불과하며 본 발명은 이에 제한되지 않는다.

상기한 바와 같이 검사 대상 물체(10)의 표면 상태에 따라 효율적인 검사를 위해 요구되는 빛의 확산도가 다르다. 본 개시의 결함 검사 장치는 프로세서를 통해 가변 디퓨져의 투명도를 조절함으로써 검사 대상 물체 표면의 빛의 반사도를 고려하여 이를 active하게 실시간으로 제어할 수 있는 장점이 있다.

본 개시의 일실시예에서 상기 프로세서(110)는 검사 대상 물체(10)를 인식하여, 검사 대상 물체 표면의 적어도 일 영역에서 요구되는 빛의 확산도가 나머지 다른 영역과 상이한 경우, 상기 가변 디퓨져(300)를 영역별로 제어할 수 있다. 또는 상기 프로세서(110)는 검사 대상 물체(10)를 인식하여, 검사 대상 물체 표면의 적어도 일 영역에서 요구되는 빛의 확산도가 나머지 다른 영역과 상이한 경우, 상기 가변 디퓨져(300)가 적어도 서로 다른 두 투명도를 갖도록 제어할 수 있다. 이 경우 상기 가변 디퓨져(300)를 영역별로 제어하기 위해 가변 디퓨져는 복수의 개별 제어되는 가변 디퓨져의 집합으로 이루어질 수 있다. 예를 들어, 프로세서(110)에 의해 인식된 검사 대상 물체 표면의 영역이 광택을 재질을 갖는 휴대폰 액정과 무광택의 재질을 갖는 휴대폰 베젤인 경우, 액정에 해당하는 검사 대상 물체의 일영역에는 가변 디퓨져의 투명도를 높여 빛의 확산도를 줄이고, 베젤에 해당하는 검사 대상 물체의 나머지 영역에는 가변 디퓨져의 투명도를 낮춰 빛의 확산도를 높여, 검사를 빠르고 정확하게 할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 검사 대상 물체를 인식한 뒤, 가변 디퓨져의 투명도가 낮은 상태, 높은 상태 또는 그 사이의 임의의 투명도를 갖는 상태 중에서 검사에 필요한 투명도 상태를 결정하고 가변 디퓨져를 제어할 수 있다. 상기 검사에 필요한 투명도 상태는 하나 이상의 상태를 포함할 수 있다. 구체적으로 프로세서(110)는 검사에 필요한 투명도 상태에 따라 하나의 투명도 상태만으로 검사 대상 물체 표면의 결함을 검사할 수 있다. 또한, 프로세서(110)는 검사에 필요한 투명도 상태에 따라 투명도가 낮은 상태와 높은 상태에서 촬영 후 영상을 비교하는 것이 필요하다고 결정한 경우, 서로 다른 가변 디퓨져의 투명도 상태에서 촬영된 이미지 데이터를 비교할 수 있다. 또한, 프로세서는 가변 디퓨져(300)를 투명도가 낮은 상태, 높은 상태 또는 그 사이의 임의의 투명도 상태 중 어느 하나로 제어하는 동작을 복수 회 수행하고 각 상태에서 촬영된 이미지 데이터를 비교할 수 있다.

프로세서(110)는 검사 대상 물체 표면을 포함하는 이미지 데이터로부터 검사 대상 물체에 결함의 존재 여부를 판단할 수 있다. 프로세서(110)는 검사 대상 물체에 대한 이미지 데이터를 딥러닝 기반 모델을 이용하여 처리함으로써, 검사 대상 물체의 결함 존재 여부를 판단할 수 있다. 프로세서(110)는 이미지 데이터를 딥러닝 기반 모델에 입력 시키고, 딥러닝 기반 모델을 이용하여 검사 대상 물체의 결함의 존재 여부를 판단할 수 있다. 또한 상기 프로세서(110)는 딥러닝 기반 모델을 이용하여 이미지 데이터로부터 검사 대상 물체 표면에 존재하는 결함의 분류 결과를 포함할 수 있다.

본 개시의 일 실시예에서 메모리(120)에 저장된 딥러닝 기반 모델은 입력 이미지 데이터에 대해 분류(Classification), 디텍션(Detection), 세그멘테이션(Segmentation) 등을 수행하기 위해 학습된 모델일 수 있다. 모델의 학습은 이미지 데이터에 대한 지도학습(Supervised learning) 또는 비지도학습(unsupervised learning)의 방식으로 이루어질 수 있다.

프로세서(110)는 상기 딥러닝 기반 모델을 통해 이미지 데이터를 입력하고, 입력된 검사 대상 물체의 이미지 내에 결함이 존재하는지 여부를 출력할 수 있다. 프로세서(110)는 딥러닝 기반 모델을 이용하여 결함의 유무뿐만 아니라 결함의 종류를 분류할 수도 있다. 예를 들어, 결함의 종류가 스크래치(scratch)인지, 찍힌 자국(dent)인지 분류할 수 있다. 프로세서(110)는 결함 여부를 출력함과 동시에 결함이 존재한다고 판단한 경우에는 해당 결함 위치를 디텍션을 통해 bounding box로 디스플레이 할 수 있다. 프로세서(110)는 세그멘테이션 결과를 제공하기 위한 목적으로 학습된 딥러닝 기반 모델을 이용하여 결함 유무의 판단과 동시에 결함이 존재한다고 판단한 경우 결함이 존재하는 영역의 픽셀과 그 이외의 영역의 픽셀을 서로 구분하여 그 결함의 위치를 출력 이미지 데이터 상에 표시할 수도 있다.

상기한 바와 같이 프로세서(110)는 검사 대상 물체의 이미지 데이터를 딥 러닝 기반 모델에 입력하고, 결함 여부에 대한 출력을 얻음으로써 본 개시는 영상의 복잡도와 상관없이 검사 대상 물체 표면 결함의 시인성을 확보할 수 있고 따라서 불량 인식률을 증가시킬 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는 상기 가변 디퓨져의 투명도에 따른 하나 이상의 이미지 데이터를 상기 딥러닝 기반 모델의 하나 이상의 서브모델을 이용하여 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단할 수 있다. 구체적으로 하나 이상의 서브 모델이란, 가변 디퓨져의 상태에 따라 별도로 학습된 딥러닝 기반 모델일 수 있다. 즉, 가변 디퓨져의 각 투명도에 따라 검사 대상 물체에 투광되는 빛의 확산도가 달라지기 때문에 빛의 각 확산도에 최적화된 딥러닝 기반의 서브 모델을 사용할 수 있다. 프로세서는 상기 서브 모델을 이용하여 모델마다 가변 디퓨져의 투명도에 따른 결함 여부를 출력할 수 있다. 프로세서는 상기 서브 모델을 이용하여 결함여부를 연산한 뒤, 검사 대상 물체의 이미지 데이터에 동시에 표시하여 하나의 출력 데이터를 생성할 수도 있다. 구체적인 일 실시예에서 프로세서는 상기 가변 디퓨져의 투명도가 투광되는 광을 확산시키지 않는 경우, 획득된 비확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 1 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하고, 상기 가변 디퓨져의 투명도가 투광되는 광을 확산시키는 경우, 획득된 확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 2 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단할 수 있다.

전술한 바와 같이 Edge field 광학계(도 3B 참조)가 유광의 표면을 갖는 검사 대상 물체(10)의 표면 결함에 유용한 측면이 있음에도, 기존 산업현장에서 Edge Field 광학계를 사용하지 못했던 이유는 영상의 복잡도가 높아 기존-의 영상 처리 시스템으로 결함여부를 쉽게 도출해내지 못했기 때문이다. 따라서 본 발명은 Edge Field에 관한 이미지 데이터와 딥 러닝 기반 모델을 결합하여 통해 더 다양한 물체 표면의 결함을 신속하고 용이하게 검사할 수 있는 효과를 가진다. 이하에서는 본 개시의 일 실시예에 따른 결함 검사 장치(100)의 프로세서(110)가 조명계(200)에 포함되는 상기 가변 디퓨져(300)의 투명도를 제어하여 통과하는 빛의 확산도가 낮게 유지되는 상태(도면 5 (a), 도면 6 (a), 도면 7 (a) 참조)에서, 즉 조명계(200)에 의해 빛이 투광된 검사 대상 물체(10)의 표면에 조도의 급격한 변화를 포함하는 영역이 존재함을 전제로, 프로세서(110)의 추가적인 제어 및 그에 따른 효과를 서술한다.

프로세서(110)는 조명계(200)에 의하여 투광된 조명 패턴을 물체 표면상에 포함하는 이미지 데이터를 획득할 수 있다. 프로세서(110)는 검사 대상 물체의 표면을 촬영하는 촬영부(140)로부터 이미지 데이터를 획득할 수 있다. 또는, 프로세서(110)는 상기한 메모리(120)에 저장되어 있는 이미지 데이터를 획득할 수도 있고, 네트워크(130)를 통해 외부 저장소로부터 전송받은 이미지 데이터를 획득할 수도 있다. 이미지 데이터는 투광된 조명 패턴에 의해 물체 표면의 적어도 일영역에 조도의 급격한 변화를 포함할 수 있다. 이하에서는 본 개시의 일 실시예에 따른 결함 검사 장치에 사용되는 상기 조명계(200)에 관해 도 17를 참조하여 설명한다. 본 개시의 일 실시예로서 조명계는 복수의 광원을 포함하며 복수의 광원은 사전 결정된 간격으로 배치될 수 있다. 또한, 조명계의 복수의 광원은 사전 결정된 형상으로 배치될 수도 있다. 상기 광원이라 함은 백열전구, 할로겐램프, 형광램프, 무전극램프, 고압나트륨램프, LED램프 등을 포함하며 이 밖에도 전기적 신호에 따라 점등되는 광원을 제한없이 포함한다.

상기 사전 결정된 간격은 조명계에 포함된 광원 사이의 거리를 말한다. 상기 사전 결정된 간격은 검사 대상 물체 표면에 형성하고자 하는 엣지 필드 사이의 거리에 따라 결정될 수 있다. 상기 사전 결정된 형상이란 조명계에 포함된 적어도 둘 이상의 광원의 배치가 나타내는 형상을 의미한다. 상기 사전 결정된 간격 및 사전 결정된 형상은 검사하고자 하는 대상 물체의 특성에 따라 결정될 수 있다. 구체적인 일 실시예로서 복수의 광원의 사전 결정된 형상은 특정 광원의 상하좌우에 적어도 하나의 다른 광원이 존재하는 바둑판 배열(200a)일 수도 있고, 적어도 하나 이상의 광원이 일정한 간격을 두고 원형 또는 타원형 선을 이루고 복수의 상기 원형 또는 타원형 선이 동심원 관계를 이루어 동일한 면 상에 퍼져 있을 수도 있다(200b). 상기 복수의 광원의 사전 결정된 형상을 구현하기 위해 광원을 배치하는 과정에서 상기 사전 결정된 간격은 요구되는 엣지 필드 사이의 거리에 따라 결정될 수 있다. 도면에 도시되어 있지는 않으나 또다른 실시예로서, 어느 한 광원으로부터 대각선 상에만 다른 광원이 존재하도록 복수의 광원을 배치함으로써 격자형 구조를 이룰 수도 있다. 또한 발명의 일 실시예로서 복수의 광원이 사전 결정된 간격과 형상에 따라 검사 대상 물체의 표면에 엣지 필드(edge field)를 투영하기 위해, 3차원 좌표계 안에서 구형, 직육면체, 원기둥의 옆면, 원뿔 등을 이루는 면상에 분포할 수도 있다. 상기한 사전 결정된 간격 및 사전 결정된 형상은 본 개시의 예시이며 본 개시는 검사 대상 물체 표면에 엣지 필드를 형성하기 위한 광원의 배치를 포함한다. 상기한 바와 같이 조명계가 복수의 광원을 사전 결정된 형상 및 사전 결정된 간격에 따라 포함하는 경우, 검사 대상 물체를 검사하는데 필요한 조명 패턴을 최소한의 광원 개수로 형성할 수 있으므로 비용이 절감되는 효과가 있다.

본 개시의 일 실시예에 따른 조명계(200)는 복수의 광원을 포함하며 복수의 광원 각각의 동작 제어를 통해 상이한 조명 패턴을 투광할 수 있다. 구체적으로, 조명계 내의 복수의 광원들 중 임의의 한 광원(211a, 221a, 211b, 221b)을 개별적으로 점멸할 수 있다. 이는 광원의 배치와 무관하게 개별 광원을 제어할 수 있음을 의미하며 나아가 이를 통해 정형화된 패턴(예를 들어 다각형, 원형, 직선, 대각선 등) 이외에도 물체 표면의 특징이나 물체의 형상을 고려해 비전형적인 패턴(예를 들어 곡률반경의 크기가 모두 다른 곡선 패턴) 또는 여러 패턴이 조합된 패턴(예를 들어 사각형 조명 패턴과 원형 조명 패턴을 동시에 하나의 물체에 투영)을 만들어낼 수 있음은 본 명세서의 개시내용으로부터 당업자에게 자명할 것이다. 또한 이와 같은 광원 각각의 개별 제어는 검사 대상 물체의 형상이 계속 변화하더라도 이와 무관하게 조명계(200)의 광원을 제어함으로써 물체 표면의 원하는 일영역에 엣지 필드를 형성하여 외관의 불량 검사를 가능하게 하는 효과가 있다.

본 개시의 일 실시예에 따른 조명계(200)는 적어도 두 개의 그룹으로 구성되는 복수의 광원들로 구성될 수 있다. 예를 들어 직선 형태로 광원의 그룹을 구성할 수 있다(210a, 220a). 또는 각 광원을 가상의 선으로 연결했을 때 원을 이루는 광원들끼리 그룹을 구성할 수도 있다(210b, 220b). 상기 광원의 그룹은 일 실시예에 불과하며 본 개시는 이에 제한되지 않는다. 상기한 바와 같이 광원을 그룹으로 나누어 제어하는 경우 원하는 모양의 조명 패턴을 물체에 투영할 수 있고 또한 각 광원을 개별적으로 제어하지 않아도 되므로 제어를 위한 비용이 감소하는 효과가 있다.

나아가, 본 개시의 일 실시예에서 결함 검사 장치에서 조명계는 복수의 광원을 포함하며 상기 광원을 발광할 때 검사 대상 물체 표면의 일영역에 단위 면적당 엣지 필드의 개수를 다른 영역과 다르게 생성할 수 있다. 다시 말해 광원 영역(11)의 밀도가 영역별로 상이할 수 있다. 또는, 복수의 광원에 대한 제어를 그룹별 광원에 대해 또는 각 개별 광원에 대해 다르게 하여 조도의 급격한 변화를 포함하는 조도 변화 영역(본 개시에서, 엣지 필드)이 검사 대상 물체 표면을 적어도 일부를 커버하도록 조명 패턴을 생성할 수 있다.

이와 같이 엣지 필드의 밀도를 조절하거나 검사 대상 물체 표면의 일부만 엣지 필드를 생성하는 이유는 검사 대상 물체의 표면 특성에 따라 엣지 필드가 필요할 수도 있고 필요하지 않을 수도 있기 때문이다. 예를 들어, 결함 검사 장치(100)는 물체 표면의 일영역은 유광택의 재질로 이루어져 있으나 다른 일영역은 무광택의 재질로 이루어져 있는 경우, 유광택 부분은 엣지 필드를 형성하여 검사 효율을 높이는 한 편 다른 무광택의 일영역에 대해서는 확산판(diffuser)등을 이용하여 균일한 빛을 투광하거나 경우에 따라 무광택의 일영역에 대해서는 광원을 소등하여 빛을 투광하지 않을 수도 있다. 또 다른 일례로 엣지 필드의 밀도를 조절하거나 검사 대상 물체 표면의 일부만 엣지 필드를 생성하는 경우는 검사 대상 물체 표면의 특정 부분에만 검사가 수행되어야 할 필요도 있을 것이다. 즉, 나머지 영역에 대해서는 이미 결함 검사를 마쳤고, 물체 표면의 특정 영역에 결함이 발생하여 다시 조사를 할 필요가 있는 경우이다.

상기한 바와 같이 조명계가 일부 영역에만 엣지 필드를 투광하거나 단위 면적당 엣지 필드의 개수를 조절할 수 있게 조명계를 운용할 수 있다는 점은 산업 현장에서 제어 비용 및 전기 비용과 관련한 전체 cost를 감소시키고, 집중해야 할 영역에 자원을 집중하여 검사의 효율을 높일 수 있는 효과를 가진다.

상기 조명계(200)는 검사 대상 물체 표면에 영역별로 조도가 상이한 조명 패턴을 투광하도록 제어될 수 있다. 이하에서는 본 개시의 일 실시예에 따른 결함 검사 장치에 사용되는 조명계(200)가 검사 대상 물체(10) 표면에 형성하는 조명 패턴에 관하여 설명한다.

이하에서는 도 18를 참조하여 설명한다. 상기 조명 패턴은 상기 복수의 광원이 사전 결정된 간격으로 배치되어 전체 광원의 일괄적인 ON/OFF를 통해 검사 대상 물체(10) 표면에 투광 될 수 있다. 상기 조명 패턴은 복수의 광원이 동일한 간격으로 균일하게 나열된 조명계에서 적어도 하나 이상의 광원이 선형, 다각형, 원형 등의 라인을 따라 제어되어 검사 대상 물체(10) 표면에 투광 될 수 있다.

도 18의 예시에서, 어두운 영역과 밝은 영역은 조명 패턴을 구성하기 위한 광원의 그룹을 나타낸 예시이다. 조명 패턴이 선형이라 함은 제 1 그룹의 광원(411)과 제 2 그룹의 광원(412)이 교차하여 투영되는 검사 대상 물체에 대한 세로선(410), 또는 가로선일 수 있다. 상기 제 1 그룹의 광원(411)과 제 2 그룹의 광원(412)은 검사 대상 물체 표면에 조명 패턴을 생성하기 위해 프로세서에 의해 광원의 발광상태를 상호 변경하며 제어될 수 있다. 조명 패턴의 추가적 예시로서, 제 1 그룹의 광원(421)과 제 2 그룹의 광원 (422)이 대각선(420)의 형태로 반복 패턴을 나타낼 수도 있다. 또는 다각형(430), 원형(450)등일 수도 있으며, 광원의 그룹이 격자형으로 구분된 경우, 참조번호 440과 같은 조명 패턴이 검사 대상 물체에 조사될 수 있다. 다만 상기한 예는 예시에 지나지 않으며 본 개시는 전술한 예시들을 포함하여 제한없이 다양한 패턴을 형성할 수 있다.

상기한 조명 패턴의 너비 또는 간격은 복수의 광원을 각각 또는 그룹별로 제어하여 검사 대상 물체 표면에서 구현할 수 있다. 또한 상기 조명 패턴의 너비 또는 간격은 광원과 검사 대상 물체 사이의 거리를 변경하여 구현할 수 있다.

본 개시에서 엣지 필드를 활용하여 반짝이는(shiny, glossy) 재질의 표면, Metal Frame의 표면 또는 거울면의 표면을 갖는 물체의 스크래치(scatch), 단차, 찍힘(dent) 등과 같은 결함 검사를 할 수 있는 이유 중 하나는, 위와 같은 결함 표면은 입사각에 대해 정상 표면과 상이한 반사각으로 빛을 반사하기 때문에 그와 같은 상이한 반사각을 갖고 산란된 빛을 검출하여 결함 검사를 할 수 있는 것이다.

따라서, 전술한 바와 같이 많은 종류의 영역별로 조도가 상이한 조명 패턴을 형성할 수 있는 본 개시의 검사 장치는 입사되는 빛의 각도를 여러가지로 변형하여 활용하므로 결함 표면에서 반사된 상이한 반사각을 여러 각도에서 최대한 많이 검출해낼 수 있다. 이는 결함 검사 장치의 성능을 증가시키는 효과를 가진다.

한 편, 일반적으로 물체 표면의 불량은 임의의 영역에서 발생하기 때문에 엣지 필드가 최대한 서로 중첩되지 않도록 하면서 최대한 많은 표면의 영역을 엣지 필드로 커버할 수 있을 때 불량의 검출 확률이 증대된다.

따라서, 본 개시의 일 실시예에 따른 결함 검사 장치의 조명계는 조도의 급격한 변화를 포함하는 조도 변화 영역이 적어도 일부 중첩되지 않도록 서로 다른 적어도 둘 이상의 조명 패턴을 검사 대상 물체에 투광하고, 촬영부는 상기 서로 다른 적어도 둘 이상의 조명 패턴에 대해 복수의 이미지 데이터를 획득할 수 있다. 그 후 프로세서에 의해 상기 복수의 서로 다른 이미지 데이터를 딥러닝 기반 모델에 입력하여 검사 대상 물체 표면의 결함여부를 검사할 수 있다.

위와 같이 엣지 필드를 검사 대상 물체(10) 표면 영역의 대부분을 커버할 수 있도록 투광함으로써 검사 가능 면적을 높이고 검사 효율을 증가시킬 수 있다.

이하에서는 본 개시의 일 실시예에 따른 결함 검사 장치에 사용되는 조명계의 예시적 구조 및 그에 따른 조명 패턴의 예시에 관하여 도 19 및 도 20을 참조하여 설명한다.

본 개시의 실시예에서 결함 검사 장치의 조명계는 복수의 광원이 배치된 복수의 조명판으로 구성되며, 복수의 조명판은 상부 층에 위치하는 조명판에서 투광된 광의 적어도 일부가 검사 대상 물체 표면에 도달할 수 있도록 일 영역이 타공된 형태일 수 있다.

구체적인 예시를 위해 두 개의 조명판이 있다고 한다면 도 19 (a)의 상부 조명판(510)과 도 19 (b)의 하부 조명판(520)이 존재한다. 이때 상부 조명판의 복수의 광원(511)과 하부 조명판의 복수의 광원(521)은 두 개의 조명판을 중첩시켰을 때 서로 겹치지 않도록 이격되어 조명판 내부에 위치할 수 있다. 그리고 하부 조명판(520)이 상부 조명판의 광원(511)을 가리지 않도록 하부 조명판의 상부 조명판의 광원과 대응되는 영역(522)은 타공된 형태를 가진다. 도 19에서 상부 조명판의 단면(513) 및 하부 조명판의 단면(523)은 각각 상, 하부의 조명판을 중첩시켰을 때의 단면을 설명하기 위함이다. 중첩된 조명판의 단면에 대한 측면도는 도면 20에 개시되어 있다. 도면 20에서 확인할 수 있는 바와 같이 상부 조명판의 광원(511)을 하부 조명판이 가리지 않도록, 하부 조명판의 대응되는 부분이 타공된 영역(522)으로 이루어진다. 그리고 검사 장치를 사용할 때는 검사 대상 물체 표면에 영역별로 상이한 조도를 갖는 조명 패턴을 형성하기 위해 상부 조명판의 광원이 점등될 때 하부 조명판은 소등되고, 상부 조명판의 광원이 소등될 때 하부 조명판은 점등되는 형태로 사용될 수 있다. 상기 하부 조명판에 나타난 격자 형식의 타공 패턴은 예시에 불과하며 타공 패턴의 변형에 따라 복수의 조명판을 중첩하여 선형, 원형, 다각형 등을 포함하는 여러 패턴을 제한없이 만들어 낼 수 있음은 당업자에게 자명할 것이다.

상기한 바와 같이 복수의 조명판을 중첩하여 얻을 수 있는 발명의 효과는 특정 광원 그룹에 대한 제어 또는 복수의 광원 각각에 대한 제어 없이 각 조명판에 대한 제어만을 통해 검사 대상 물체 표면에 영역별로 상이한 조도를 갖는 조명 패턴을 만들어 낼 수 있다는 점이다. 다시 말해 개별 조명판에 포함된 복수의 광원을 일괄적으로 제어하면서도 상이한 조명 패턴을 만들어 낼 수 있기 때문에 제어 비용이 낮아지고, 조작이 용이해지는 효과가 있을 수 있다.

프로세서(110)는 조명계에 의하여 투광된 서로 상이한 조명 패턴 각각에 대한 이미지 데이터를 획득할 수 있다. 예를 들어, 하나의 검사 대상 물체에 대하여, 서로 상이한 조명 패턴별로 복수의 이미지 데이터가 존재할 수 있다. 프로세서(110)는 상이한 조명 패턴을 포함하는 복수의 이미지 데이터에 기초하여 검사 대상 물체의 결함을 판단할 수 있다.

도 21은 프로세서(110)가 검사 대상 물체(10) 표면을 포함하는 이미지 데이터로부터 검사 대상 물체(10)에 존재하는 결함 검출 및 결함의 위치를 표시한 예시도이다. 프로세서(110)는 검사 대상 물체(10)에 결함이 존재하는 경우, 프로세서(110)는 존재한다는 판단 뿐만 아니라 그 판단의 근거가 된 결함의 위치를 출력할 수 있다. 즉, 프로세서(110)는 딥러닝 기반 모델을 이용하여 도 21의 (a)와 같이 검사 대상 물체(10) 표면에 스크래치 형태의 결함(1)이 존재하는 경우, 도 21의 (b)와 같이 그 결함(1)의 위치를 다른 정상으로 판단된 부위와 구분할 수 있는 시각적 표현(예를 들어, 색상 등)으로 표시할 수 있다.

본 개시의 일 실시예에서 프로세서(110)는 이미지 데이터를 엣지 필드 부분만 추출하여 딥러닝 기반 모델에 입력할 수 있다. 프로세서(110)는 이미지 데이터를 패치로 분할하고 패치의 픽셀 별 픽셀 값에 기초하여 엣지 필드를 추출할 수 있다. 예를 들어, 프로세서(110)는 획득된 이미지 데이터에서 각 픽셀의 RGB값을 참조하여 픽셀당 조도값을 구한다. 이는 실제 RGB값과 색상표를 대조하여 절대값으로 구할 수도 있고, 전체 픽셀의 RGB값의 평균과 분산을 도출하여 상대값으로 구할 수도 있다. 또한 프로세서(110)는 이미지 데이터에서 엣지 필드 부분을 나타내는 메타 정보에 기초하여 엣지 필드 부분만을 추출할 수도 있다.

프로세서(110)는 상기 픽셀당 조도값에 기초하여, 엣지 필드의 중심이 되는 픽셀들을 선별하기 위해 3x3 행렬의 정중앙에 위치하는 픽셀이 주변 픽셀보다 높은 조도값을 가지는 경우 이를 엣지 필드의 중심이 되는 픽셀로 선별할 수 있다. 그리고 그러한 픽셀을 광원의 중심으로, 엣지 필드의 사전 결정된 거리를 이용하여 엣지 필드를 추출할 수 있다. 다른 실시예에서 상기 엣지 필드의 중심이 되는 픽셀 선별과정은 2차원의 이미지 데이터 상에서, 각 픽셀의 조도값을 별도의 축으로 하여 조도값의 극대값을 찾음으로써 선별할 수도 있다. 뿐만 아니라 극대값 대신 특정 임계값 이상의 조도값을 갖는 픽셀을 선별할 수도 있고, 더 넓은 NxN 행렬에서 극댓값을 선택할 수도 있다.

다른 실시예에서 프로세서(110)는 복수의 엣지 필드 패치를 추출한 뒤, 각 패치가 포함하는 영역을 비교하여 패치가 중첩되는 영역이 일정 이상인 경우, 일부의 패치만 선택할 수 있다.

본 개시의 일 실시예에서 프로세서(110)는 이미지 데이터와 함께 조도의 급격한 변화가 일어나는 부분을 강조하기 위해 조도의 급격한 변화가 일어나는 부분에 대한 정보가 담긴 메타 데이터를 딥 러닝 기반 모델에 입력할 수 있다. 프로세서(110)는 엣지 필드의 위치정보를 이미지 데이터와 함께 딥 러닝 기반 모델에 입력시킬 수 있다. 구체적으로, 프로세서(110)는 획득된 이미지 데이터에서 각 픽셀의 RGB값을 참조하여 픽셀당 조도값을 구할 수 있다. 그리고 프로세서는 검사 대상 물체에 투광된 조명 패턴의 경계선의 방향과 직교하는 방향으로 임의의 거리만큼 떨어진 픽셀간 조도값의 차이를 연산할 수 있다. 만약 조명 패턴이 원형(450)이라면 이미지 데이터의 중앙에 있는 광원 영역의 중심으로부터 방사형으로 뻗어나가는 선을 따라 일정 거리만큼 떨어진 픽셀간 조도값의 차이를 연산할 수 있다. 상기 조도값의 차이는 단순 뺄셈일 수도 있고, 픽셀간 조도값의 차이를 상기 일정 거리로 나눈 기울기일 수도 있다. 프로세서는 상기 조도값의 차이에 기초하여 조도의 급격한 변화가 나타나는 영역의 픽셀을 선별할 수 있다. 그리고 그 픽셀의 정보를 상기 이미지 데이터와 함께 딥러닝 모델에 입력할 수 있다. 상기 조명 패턴 및 그에 따른 직교방향에 관한 예시는 일 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

상기한 바와 같이 이미지 데이터에서 엣지 필드 부분만 추출하여 딥러닝 기반 모델에 입력하거나 조도의 급격한 변화가 나타나는 영역을 강조하는 메타데이터를 상기 이미지 데이터와 함께 딥러닝 기반 모델에 입력할 경우, 프로세서가 전체 이미지 데이터를 탐색할 필요없이 추출된 엣지 필드 또는 강조된 픽셀 부근에 대해서만 결함여부 판단을 위한 연산을 수행하면 되므로, 컴퓨팅 자원을 적게 소모하면서 연산 처리 속도가 빨라지는 장점이 있다.

본 개시의 일 실시예에서 프로세서(110)는 검사 대상 물체 표면의 전체 영역 중 일정 넓이 이상의 영역을 엣지 필드로 커버하기 위해 별도의 연산을 수행할 수 있다. 즉, 프로세서(110)는 검사 대상 물체 표면의 전체 면적 중 엣지 필드가 커버하는 복수의 서로 다른 영역의 면적 합이 임계값보다 작을 경우, 조명계를 제어하여 앞서 커버되지 않은 영역에 엣지 필드를 생성하기 위해 검사 대상 물체 표면의 다른 영역에 조도의 급격한 변화를 유도하기 위한 조명 패턴을 투광하도록 할 수 있다. 예를 들어, 설정된 임계값이 검사 대상 물체의 표면 전체를 검사하기 위해 100%로 설정된 경우, 프로세서(110)는 엣지 필드를 추출하는 연산을 수행한 후 추출된 엣지 필드 영역의 면적 합이 검사 대상 물체의 표면 전체를 커버하지 못한다고 판단되면, 조명계를 제어하여 상이한 영역에 조명패턴을 투광하도록 하고, 촬영부(140)로부터 이미지 데이터를 재입력 받아 엣지 필드를 재추출할 수 있다. 위와 같은 재입력 및 재추출 과정은 설정된 임계값에 따라 복수회 실시될 수 있다. 다른 실시예로서 프로세서는 이전 패턴과 상이한 조명 패턴을 투광하도록 조명계를 제어할 때 검사 대상 물체 표면에서 이미 엣지 필드로 커버된 영역을 제외한 다른 영역에 조도의 급격한 변화를 갖도록 조명계를 제어할 수 있다.

일반적으로 외관의 불량은 검사 대상 물체 표면의 임의의 영역에서 발생하기 때문에 상기한 바와 같이 프로세서(110)가 검사 대상 물체 표면을 적어도 설정된 임계값 이상의 커버리지(Coverage)만큼 검사할 수 있게 되면, 표면 결함의 검출 확률을 높일 수 있는 장점이 있다.

본 개시의 일 실시예에서 프로세서(110)는 서로 상이한 조명 패턴을 검사 대상 물체에 투광하여 복수의 이미지 데이터를 획득하고, 이를 딥러닝 기반 모델에 입력함으로써 검사 대상 물체 표면의 결함을 판단할 수 있다. 구체적인 일 실시예에서 프로세서(110)는 복수의 이미지 데이터를 각 픽셀별로 중첩하여 하나의 이미지 데이터를 생성한 뒤 딥러닝 기반 모델에 입력할 수 있다. 다른 실시예에서 복수의 이미지 데이터는 동일한 모델에 순차적으로 입력되어 결함을 갖는 위치를 순차적으로 확인한 뒤, 최종적으로 하나의 출력 이미지에 모두 표시될 수 있다. 추가적인 실시예에서 복수의 이미지 데이터는 각 조명 패턴 별로 학습된 서브 모델마다 해당하는 조명 패턴을 포함하는 이미지 데이터가 입력되어 각 조명 패턴 하에서의 결함 위치를 별도로 출력할 수 있다.

검사 대상 물체의 표면에 따라서는 투광되는 빛의 입사각이 특정 각도를 이룰 때 표면의 결함이 더 잘 검출될 수 있다. 예를 들어 검사 대상 물체 표면이 폭이 매우 좁은 얇은 홈을 원형의 형태로서 다수 포함하면서 광택이 있는 재질이라면, 그러한 표면의 스크래치를 검출해내기 위해서는 원형의 조명 패턴이 더 효과적일 수 있다. 따라서 위와 같이 서로 상이한 조명 패턴을 이용하여 검사 대상 물체 표면의 결함을 검사하면, 외관의 결함을 빛의 입사각을 서로 다르게 변경하면서 검사할 수 있기 때문에 검출 확률이 증가된다. 또한 프로세서가 상이한 조명 패턴에 따른 복수의 이미지 데이터를 중첩하여 검사할 경우에는 검사 속도가 빨라지는 효과가 있다. 반면 복수의 이미지 데이터를 별도의 모델에 따라 또는 순차적으로 동일 모델에 입력하여 출력 데이터를 얻게 되면 결함 검사의 정확도를 높일 수 있다.

상기한 바와 같이 프로세서(110)는 엣지 필드를 포함하는 검사 대상 물체의 이미지 데이터를 딥 러닝 기반 모델에 입력하고, 다양한 종류의 형태를 가지는 출력을 얻음으로써 본 개시는 영상의 복잡도와 상관없이 검사 대상 물체 표면 결함의 시인성을 확보할 수 있고 따라서 불량 인식률을 증가시킬 수 있다.

본 개시의 실시예에 따른 결함 검사 장치에 포함되는 프로세서(110)는, 입력된 이미지 데이터에서 조도의 급격한 변화를 포함하는 조도 변화 영역을 다시 추출하는 과정을 포함할 수 있다. 위와 같이 입력 이미지 데이터에서 조도 변화 영역을 추출하는 전처리 과정을 포함함으로써 프로세서가 이미지 상의 물체 이외의 영역, 즉 배경 이미지로부터 결함이 존재한다고 판단하는 오류를 줄일 수 있고, 전체 이미지 데이터에서 관심영역만 추출하여 검사를 수행하게 되므로 데이터 처리 속도가 빨라질 수 있다.

본 명세서에 걸쳐, 딥러닝 기반 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.　

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.　

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.　

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.　

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 22는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

검사 대상 물체의 어노말리 여부를 판단하기 위한 결함 검사 장치로서,
상기 검사 대상 물체에 광을 조영하기 위한 광원; 및
상기 광원과 검사 대상 물체 사이에 위치하며, 검사 대상 물체에 투광되는 광의 확산도 조절이 가능한 가변 디퓨져;
를 포함하는 조명계;
이미지 데이터를 획득하기 위한 촬영부; 및
하나 이상의 프로세서;
를 포함하되,
상기 프로세서는,
상기 획득된 이미지 데이터에서 검사 대상 물체를 인식하여 검사에 필요한 상기 가변 디퓨져의 투명도를 결정하고, 그리고
상기 결정된 투명도에 따라 상기 가변 디퓨져를 제어하는,
결함 검사 장치.
제 1 항에 있어서,
상기 프로세서는,
검사에 필요한 것으로 결정된 상기 가변 디퓨져의 투명도가 둘 이상인 경우:
둘 이상의 투명도에 따라 가변 디퓨져를 순차적으로 제어하고, 그리고
각각의 투명도에서 촬영된 이미지 데이터를 비교하는,
결함 검사 장치.
제 1 항에 있어서,
상기 가변 디퓨져를 통과하는 빛의 확산도는,
상기 프로세서의 전기 신호에 따라 조절되는,
결함 검사 장치.
제 1 항에 있어서,
상기 가변 디퓨져는,
상기 프로세서의 전기 신호에 따라서 투명도가 조절되는 액정 필름을 포함하는,
결함 검사 장치
제 1 항에 있어서,
상기 가변 디퓨져는,
상기 프로세서의 제어 신호에 따라서, 배치 상태가 조절되는 디퓨져인,
결함 검사 장치.
제 1 항에 있어서,
상기 가변 디퓨져는,
검사 대상 물체의 표면 특징에 따라, 대상 물체의 표면에 영역별로 투광되는 빛의 확산도를 다르게 조절하는,
결함 검사 장치.
제 1 항에 있어서,
상기 프로세서는,
상기 검사 대상 물체 표면의 빛의 반사도에 기초하여 상기 가변 디퓨져의 투명도를 결정하고 그에 따라 상기 가변 디퓨져를 제어하는,
결함 검사 장치.
제 1 항에 있어서,
상기 프로세서는,
상기 검사 대상 물체 표면의 적어도 일 영역에서 요구되는 빛의 확산도가 나머지 다른 영역과 상이한 경우, 상기 가변 디퓨져의 투명도를 영역별로 제어하는,
결함 검사 장치.
제 1 항에 있어서,
딥러닝 기반 모델을 저장하는 메모리;
를 더 포함하고,
상기 프로세서는,
상기 딥러닝 기반 모델에 포함된 하나 이상의 서브모델을 이용하여 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하되,
상기 하나 이상의 서브모델은,
상기 가변 디퓨져가 갖는 서로 다른 투명도 각각에 대해 학습된,
결함 검사 장치.
제 9 항에 있어서,
상기 프로세서는,
상기 가변 디퓨져가 투광되는 광을 확산시키지 않는 경우, 획득된 비확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 1 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하고,
상기 가변 디퓨져가 투광되는 광을 확산시키는 경우, 획득된 확산광 이미지 데이터를 상기 딥러닝 기반 모델의 제 2 서브 모델에 입력시켜 상기 이미지 데이터에 포함된 검사 대상 물체의 결함을 판단하는,
결함 검사 장치.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 제 1 항의 결함 검사 장치의 하나 이상의 프로세서에서 실행되는 경우 검사 대상 물체의 결함 여부를 판단하기 위한 동작들을 수행하도록 하는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항의 결함 검사 장치에서 수행되는 검사 대상 물체 표면의 결함 여부를 검사하기 위한 방법.