KR102372928B1 - 게이팅 설계 방법 및 시스템 - Google Patents

Abstract

본 발명은 주조 또는 사출 방안을 설계하는 방법에 관한 것으로, 주조 또는 사출을 통해 제작하고자 하는 대상 제품에 적용할 수 있는 최적의 주조 또는 사출 방안을 설계하는 방법에 관한 것이다.
본 발명의 일실시예에 따르면, 판단 코어를 통해서 대상 제품의 특정 투영면에 대한 상기 대상 제품의 두께 지도(projected thickness map, PTM) 이미지와 참조 제품의 특정 투영면에 대한 상기 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고 참조 제품에 적용된 게이팅 설계를 상기 대상 제품의 게이팅 설계로 가이드하기 위하여, 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하는 게이팅 설계 방법 및 이를 수행하는 게이팅 설계 시스템을 제공할 수 있다.

Description

게이팅 설계 방법 및 시스템{method for selecting a gating design and a gating design system}

본 발명은 주조 또는 사출 방안을 설계하는 방법 및 시스템에 관한 것으로, 주조 또는 사출을 통해 제작하고자 하는 대상 제품에 적용할 수 있는 최적의 주조 또는 사출 방안을 설계하는 방법에 관한 것이다.

본 발명은 보다 구체적으로 게이팅 설계 방법 및 설계 시스템에 관한 것이다.

주조 및 사출은 제품 형상의 치수 공간을 갖는 주형에 용융 재료를 주입하여 응고한 후 고체 금속 및 고분자 재료로써 제품을 얻는 방법 내지는 작업을 의미한다.

주조 및 사출은 구체적으로 제품의 설계, 주조/사출 방안의 설정, 모형 작성, 용해 및 주입 그리고 제품으로의 끝손질의 순서로 진행되어, 최종적으로 금속 및 고분자 재료 제품을 얻는 과정을 의미한다.

제품이 설계되면 제품을 어떻게 주조 및 사출을 통해서 제작할 지를 결정하는 과정이 주조 및 사출 방안의 설계라고 할 수 있다.

주조 및 사출 방안의 설계는 매우 중요하다. 즉, 다양한 주조 및 사출 방안 중에서 제작하고자 하는 제품(이하 "대상 제품"이라 한다)에 대한 최적의 주조 및 사출 방안을 설계하는 것이 매우 중요하다.

기본적으로, 대상 제품에 대하여 저비용이면서 질이 좋은 주조 및 사출이 가능한 방법을 설계하여야 한다. 이를 위해서는 주형을 어떻게 설계하여 조합할 것인가가 중요한 문제이다. 특히, 코어를 가급적 사용하지 않고 가능한 대상 제품 전체를 2 분할하도록 설정함이 바람직하다.

또한, 대상 제품에 기포, 개재물의 혼입, 응고 시의 부피 감소로 인한 수축의 발생, 유동성 부족으로 용융 재료가 제품 구석구석까지 들어가지 못하는 부분적 결함 등이 발생되지 않도록 설정되어야 한다.

주조 빛 사출 방안으로는 러너, 게이트, 오버플러우, 벤트, 압탕(주조의 경우) 등이 있으며, 이러한 여러 가지의 주조 및 사출 방안을 최적으로 주형 설계에 적용함으로써 최적의 주조 및 사출이 수행됨이 바람직하다. 그러나, 대상 제품에 대한 주조 및 사출 방안을 설정할 때 종래 제품에 대한 주조 및 사출 방안을 고려하는 것이 일반적이다. 왜냐하면 종래의 주조 및 사출 방안을 고려하지 않고 신규로 주조 및 사출 방안을 설정하는 경우 매우 큰 비용과 시간이 소요될 수 밖에 없기 때문이다. 즉 비용 대비 효율이 낮을 수 밖에 없기 때문이다.

따라서, 대상 제품과 최대한 유사한 종전 제품을 찾고 종전 제품에 적용된 주조 빛 사출 방안을 반영하여 신규 주조 및 사출 방안을 설정하는 것이 매우 효과적이라 할 수 있다. 그러나, 이러한 주조 및 사출 방안 설정 방법은 설계자의 숙련도에 크게 의존하는 문제가 있다. 그러므로, 설계자의 숙련도와 무관하게 최적의 주조 및 사출 방안을 설정하는 방법이 모색되고 있다.

여기서 주조 및 사출 방안 중 주형 내에 용융된 원재료를 주입하기 게이트의 개수, 게이트의 위치 그리고 게이트의 사이즈에 대한 결정이 매우 중요하다. 따라서, 이러한 주조 및 사출 방안 설계를 게이팅 설계(gating design)라 한다.

대한민국 등록특허공보 10-0682028(이하 "선행특허"라 한다)는 단층촬영을 통해서 대상 제품과 유사한 종전 제품을 매칭하여 주조 방안을 설정하는 방법을 제시하고 있다.

그러나, 선행특허에 따르면 대상 제품에 대한 단층촬영이 필요할 뿐만 아니라 종전 제품에 대한 단층촬영이 필요하게 되는 문제가 있다. 즉, 종전 데이터 베이스를 새로이 구축해야 하는 데 매우 큰 비용 및 시간이 투입될 수 밖에 없다.

또한, 단층촬영에 의해 형성된 BMP 파일(이미지 파일)을 통해서 대상 제품과 종전 제품을 비교하는 경우, 이 또한 설계자의 숙련도에 따라서 최대한 유사한 종전 제품을 검색할 수 밖에 없는 문제가 있다.

한편, 주조뿐만 아니라 사출에서도 동일한 문제가 발생될 수 있다. 즉, 주형 내에 용융된 원재료가 주입되는 게이트 위치, 게이트의 개수 그리고 게이트의 사이즈 등을 포함하는 게이팅 디자인 시에도 동일한 문제가 발생될 수 있다.

따라서, 용융된 원재료를 이용하여 대상 제품을 제작하기 위한 게이팅 설계 시 상기 대상 제품과 가장 유사한 종전 제품을 찾기 위한 최적의 솔루션을 필요로 하고 있다.

본 발명은 종래의 게이팅 설계의 문제를 해결하고자 함을 목적으로 한다.

본 발명의 일실시예를 통해서, 기존의 데이터 베이스를 활용하여 게이팅 설계를 할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 대상 제품의 외형뿐만 아니라 내부 구조까지 유사한 참조 제품의 게이팅 설계를 고려할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 대상 제품과 참조 제품의 유사도를 산출하여 제공함으로써 최적의 게이팅 디자인을 구현할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 대상 및 참조 제품의 3D 형상 데이터를 통해서 용이하게 양자의 유사도를 판단할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 카메라나 단층촬영장치와 같은 별도의 장비를 사용하지 않고 3차원 형상 데이터의 간단한 변환을 통해서 용이하게 대상 제품과 참조 제품들의 유사도를 판단할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 머신 러닝 기반의 이미지 인식 모델을 통해 설계자의 숙련도와 무관하게 정확하고 신속한 게이팅 디자인을 제시할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다. 특히, 딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 심층신경망(deep neural network) 또는 다층신경망(multi-layer neural network)을 포함하는 이미지 인식 모델을 적용하여, 신뢰성이 높으면서도 알고리즘 구성이 용이한 게이팅 설계 방법 및 시스템을 제공하고자 한다.

전술한 목적을 구현하기 위하여, 본 발명의 일실시예에 따르면, 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지를 판단 코어에 제공하는 단계; 상기 판단 코어를 통해서 대상 제품의 PTM 이미지와 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고 참조 제품에 적용된 게이팅 설계를 상기 대상 제품의 게이팅 설계로 가이드하기 위하여, 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하는 게이팅 설계 방법이 제공될 수 있다.

상기 특정 투영면은 대상 제품과 참조 제품을 각각 관통하는 평면일 수 있다.

상기 특정 투영면은 주형의 분할면인 것이 바람직하다. 대상 제품과 참조 제품이 2분할 주형면을 통해서 주조가 수행될 수 있으므로, 대상 제품과 참조 제품은 동일한 기준 즉 주형의 분할면인 특정 투영면에 대한 PTM 이미지를 통해서 서로 비교할 수 있다.

상기 두께는 주형 빼기 방향으로의 대상 제품과 참조 제품 각각의 전체 두께인 것이 바람직하다. 구체적으로, 주형 빼기 방향은 특정 투영면 즉 분할면에 대해서 수직 방향이며, 따라서, 상기 두께는 분할면에 대해서 수직 방향으로의 제품 높이라 할 수 있다.

일례로, 특정 투영면을 xy 평면으로 나타내는 경우, (x, y) 좌표점(픽셀)에서의 제품의 수직 방향 높이를 z라 할 수 있다.

상기 PTM 이미지는 상기 특정 투영면에 대하여 상기 두께의 편차를 밝기 편차로 나타낸 2D 이미지인 것이 바람직하다. 즉, z 값이 차이를 해당 픽셀에서의 밝기 차이로 나타낼 수 있다.

상기 대상 제품에 대한 3D 형상 데이터를 통해서 상기 PTM 이미지를 획득하는 단계를 더 포함할 수 있다. 판단 코어에 PTM 이미지를 제공하기 전에 3D 형상 데이터를 통해 PTM 이미지를 획득하고, 획득된 PTM 이미지를 판단 코어에 제공할 수도 있다. 물론, 판단 코어에 3D 형상 데이터와 특정 투영면에 대한 정보를 제공하고, 제공된 정보들을 통해서 판단 코어가 PTM 이미지를 생성하고 이를 이용하여 유사한 참조 제품을 찾을 수도 있다.

한편, 참조 제품에 대한 PTM 이미지를 이용한 이미지 인식모델의 결과물(이하 "학습결과물"이라 한다)이 데이터 베이스에 기저장되어 있는 것이 바람직하다. 물론, 이러한 PTM 이미지는 참조 제품의 3D 형상 데이터를 통해서 생성되는 것이 바람직하다. 따라서, 참조 제품에 대한 3D 형상 데이터가 구비되고, 참조 제품에 대한 게이팅 설계가 이미 마련되어 있는 경우, 참조 제품의 수가 많아짐에 따라 진화된 학습결과물이 데이터 베이스에 저장될 수 있다.

판단 코어의 작동을 수행하기 위해 API(application programming interface)가 구비됨이 바람직하다. 상기 API를 통한 사용자의 입력에 의해서 상기 PTM 이미지가 상기 판단 코어에 제공되며, 상기 판단 코어로부터 판단 결과가 상기 API를 통하여 사용자에게 제시되는 것이 바람직하다.

전술한 목적을 구현하기 위하여, 본 발명의 일실시예에 따르면, 판단 코어를 통해서 대상 제품의 특정 투영면에 대한 상기 대상 제품의 두께 지도(projected thickness map, PTM) 이미지와 참조 제품의 특정 투영면에 대한 상기 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고 참조 제품에 적용된 게이팅 설계를 상기 대상 제품의 게이팅 설계로 가이드하기 위하여, 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하는 게이팅 설계 방법이 제공될 수 있다.

상기 대상 제품의 PTM 이미지와 상기 참조 제품의 PTM 이미지는, 각각의 3D 형상 데이터의 변환을 통해서 생성되는 것이 바람직하다.

상기 대상 제품의 PTM 이미지와 상기 참조 제품의 PTM 이미지는, 각각의 주형 분할면을 상기 특정 투영면으로 설정하여 생성되는 것이 바람직하다.

상기 유사도 판단 결과는, 유사도에 따라 복수 개의 참조 제품을 순차적으로 제시될 수 있다. 즉, 유사도가 큰 참조 제품들을 순차적으로 복수 개 제시할 수 있다. 물론, 가장 유사도가 큰 하나의 참조 제품을 제시할 수도 있을 것이다. 어느 경우나, 유사한 참조 제품을 제시하면서 유사 정도를 함께 제시할 수도 있다. 일례로, 대상 제품과 참조 제품이 동일한 제품인 경우 유사도를 1이라 하면, 1에 가까울 수록 유사도가 큰 것으로 나타낼 수 있다.

전술한 목적을 구현하기 위하여, 본 발명의 일실시예에 따르면, API(application programming interface) 및 판단 코어를 포함하는 게이팅 설계 시스템에 있어서, 상기 API는, 대상 제품에 대한 3D 형상 데이터를 통해 생성한 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지 정보를 상기 판단 코어에 제공하고, 상기 판단 코어는, 머신 러닝 기반의 이미지 인식 모델을 통해, 참조 제품에 대한 PTM 이미지 정보 중에서 상기 제공받은 이미지 정보와 유사도를 판단하여, 판단 결과를 상기 API에 제공하는 것을 특징으로 하는 게이팅 설계 시스템이 제공될 수 있다.

상기 이미지 인식 모델은, 딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 심층신경망(deep neural network) 또는 다층신경망(multi-layer neural network)을 포함할 수 있다.

상기 이미지 인식 모델은, 딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 CNN(convolutional neural network)를 포함할 수 있다.

상기 API는 상기 대상 제품에 대한 하나의 기본 PTM 이미지 정보(가공되지 않은 PTM 이미지 정보)를 상기 판단 코어에 제공할 수 있다.

상기 게이팅 설계 시스템은, 상기 참조 제품에 대한 PTM 이미지 정보를 저장하는 데이터 베이스를 포함하고, 상기 데이터 베이스는 상기 참조 제품을 종류별로 구분하여 각각 PTM 이미지 정보를 저장할 수 있다.

상기 데이터 베이스는, 종류별로 구분된 참조 제품에 대해, 하나의 기본 PTM 이미지 정보(가공되지 않은 PTM 이미지 정보)와 상기 기본 PTM 이미지 정보를 가공한 PTM 이미지 정보를 저장할 수 있다.

일례로, 참조 제품이 10 개인 경우, 10 개의 카테고리 각각에 복수 개의 PTM 이미지 정보가 저장되어 있을 수 있다. 하나의 카테고리 내에는 특정 참조 제품의 기본 PTM 이미지 정보와 기본 PTM 이미지 정보를 가공한 PTM 이미지 정보가 저장되어 있을 수 있다.

가공한 PTM 이미지 정보는 기본 PTM 이미지 정보에 대해서 회전, 확대, 축소 그리고 블러링(blurring)과 같은 가공 중 어느 하나가 수행된 PTM 이미지 정보일 수 있다. 따라서, 하나의 카테고리 내에는 참조 제품의 기본 PTM 이미지 정보와 복수 개의 가공한 PTM 이미지 정보가 기저장될 수 있다.

따라서, 참조 제품의 수가 많아짐에 따라 데이터 베이스는 확장될 수 있다. 참조 제품의 정보를 갖는 데이터 베이스는 학습을 위해 구비될 수 있다. 즉, 판단 코어를 통한 학습은 데이터 베이스에 저장된 데이터를 통해서 수행될 수 있다. 따라서, 이러한 데이터 베이스를 판단 코어의 데이터 베이스와 구분하여 학습 DB라 할 수 있다.

상기 판단 코어는, 상기 대상 제품의 기본 PTM 이미지 정보와 상기 종류별로 구분된 참조 제품의 기본 PTM 이미지 정보 및 가공한 PTM 이미지 정보를 비교하여, 유사도 판단을 수행하는 것이 바람직하다.

더욱 구체적으로는, 참조 제품의 PTM 이미지 정보들을 통해서 학습된 학습결과물은 판단코어 DB에 저장될 수 있다. 판단코어에 입력되는 것은 대상 제품의 기본 PTM 이미지 정보이다. 판단코어에서 입력된 대상 제품의 기본 PTM 정보를 이미지 인식모델을 통해서 분석하게 된다. 분석 결과가 기저장된 학습결과물과 비교하여 유사도 판단이 수행될 수 있다.

따라서, 학습에 소요되는 시간은 상대적으로 길 수 있으나, 학습결과물이 도출된 후 판단코어에 입력되는 입력값에 대해서 출력값이 도출되는 시간은 상대적으로 작게 된다.

판단 코어는, 머신 러닝 기반의 이미지 인식 모델을 통해, PTM 이미지 정보를 이용하여 유사한 참조 제품을 출력하게 된다.

전술한 실시예에서 게이팅 설계 방법 및 시스템은 사출에서도 동일하게 적용될 수 있을 것이다.

본 발명의 일실시예에 따르면, 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지를 판단 코어에 제공하는 단계; 상기 판단 코어를 통해서 대상 제품의 PTM 이미지와 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고 참조 제품에 적용된 주조 및 사출 방안을 상기 대상 제품의 주조 및 사출 방안으로 가이드하기 위하여, 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하는 주조 및 사출 방안 설정방법이 제공될 수 있다.

본 발명의 일실시예에 따르면, 판단 코어를 통해서 대상 제품의 특정 투영면에 대한 상기 대상 제품의 두께 지도(projected thickness map, PTM) 이미지와 참조 제품의 특정 투영면에 대한 상기 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고 참조 제품에 적용된 주조 및 사출 방안을 상기 대상 제품의 주조 및 사출 방안으로 가이드하기 위하여, 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하는 주조 및 사출 방안 설정방법이 제공될 수 있다.

본 발명의 일실시예에 따르면, API(application programming interface) 및 판단 코어를 포함하는 사출 방안 설정 시스템에 있어서, 상기 API는, 대상 제품에 대한 3D 형상 데이터를 통해 생성한 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지 정보를 상기 판단 코어에 제공하고, 상기 판단 코어는, 머신 러닝 기반의 이미지 인식 모델을 통해, 참조 제품에 대한 PTM 이미지 정보 중에서 상기 제공받은 이미지 정보와 유사도를 판단하여, 판단 결과를 상기 API에 제공하는 것을 특징으로 하는 사출 방안 설정 시스템이 제공될 수 있다.

따라서, 본 발명의 일실시예에 따르면, 용융된 원재료를 통해 제품을 제작하는 방안 설계 방법 및 시스템에 관한 것이라 할 수 있다.

본 발명의 일실시예를 통해서, 기존의 데이터 베이스를 활용하여 게이팅 설계를 설계할 수 있는 게이팅 설계 방법 및 시스템을 제공할 수 있다.

본 발명의 일실시예를 통해서, 대상 제품의 외형뿐만 아니라 내부 구조까지 유사한 참조 제품의 게이팅 설계를 고려할 수 있는 게이팅 설계 방법 및 시스템을 제공하고자 한다.

본 발명의 일실시예를 통해서, 대상 제품과 참조 제품의 유사도를 산출하여 제공함으로써 최적의 게이팅 설계를 설계할 수 있는 게이팅 설계 방법 및 시스템을 제공할 수 있다.

본 발명의 일실시예를 통해서, 대상 제품 및 참조 제품들의 3D 형상 데이터를 통해서 용이하게 양자의 유사도를 판단할 수 있는 게이팅 설계 방법 및 시스템을 제공할 수 있다.

본 발명의 일실시예를 통해서, 카메라나 단층촬영장치와 같은 별도의 장비를 사용하지 않고 3D 형상 데이터의 간단한 변환을 통해서 용이하게 대상 제품과 참조 제품들의 유사도를 판단할 수 있는 게이팅 설계 방법 및 시스템을 제공할 수 있다.

본 발명의 일실시예를 통해서, 머신 러닝 기반의 이미지 인식 모델을 통해 설계자의 숙련도와 무관하게 정확하고 신속한 게이팅 설계를 제시할 수 있는 게이팅 설계 방법 및 시스템을 제공할 수 있다. 특히, 딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 심층신경망(deep neural network) 또는 다층신경망(multi-layer neural network)을 포함하는 이미지 인식 모델을 적용하여, 신뢰성이 높으면서도 알고리즘 구성이 용이한 게이팅 설계 방법 및 시스템을 제공할 수 있다.

본 발명의 일실시예를 통해서, 게이팅 설계뿐만 아니라 사출 방안 설계로 확장할 수 있는 설계 방법 및 시스템을 제공할 수 있다.

도 1(a) 게이팅 설계를 설계하고자 하는 제품에 대한 사시 이미지를 나타내고,
도 1(b)는 도 1(a)에 도시된 제품에 대한 PTM(projected thickness map) 이미지를 나타내고,
도 2는 PTM을 설명하기 위한 개념도를 나타내고,
도 3은 참조 제품들 각각에 대한 기본 PTM 이미지와 가공된 PTM 이미지들을 나타내고,
도 4는 본 발명의 일실시예에 따른 게이팅 설계 시스템 구성의 일례를 도시하고,
도 5는 본 발명의 일실시예에 적용할 수 있는 게이팅 설계 플로우의 일례를 도시하고,
도 6 는, 판단 코어에 멀티 레이어 신경망을 이용한 이미지 인식 모델이 적용된 일례로서, 판단 코어에서 도 5에 도시된 유사도 판단과 판단 결과 출력을 수행하는 일례를 도시하고,
도 7은 , 판단 코어에 CNN을 이용한 이미지 인식 모델이 적용된 일례로서, 판단 코어에서 도 5에 도시된 유사도 판단과 판단 결과 출력을 수행하는 일례를 도시하고 있다.

일반적으로 주조나 사출을 통해 제작할 수 있는 다양한 제품들이 있으며, 제품별로 다양한 게이팅 설계가 존재하게 된다.

새로운 제품의 게이팅 설계 시 가장 유사한 종래 제품을 찾아내는 것이 바람직하다. 여기서의 종래 제품은 최적의 게이팅 설계가 이미 수행되었고, 설계된 게이팅 설계로 주조나 사출로 제품이 제조됨으로써 게이팅 설계가 기검증된 제품이라고 할 수 있다.

따라서, 새로운 제품에 대해서 최대한 유사한 종래 제품을 찾아내고, 그 종래 제품에 적용된 게이팅 설계를 고려함으로써, 대상 제품에 대하여 매우 효과적, 신속 그리고 정확한 게이팅 설계가 가능하게 된다. 즉, 종래의 게이팅 설계를 대상 제품에 대한 게이팅 설계로 가이드할 수 있으므로, 신속하고 정확하게 최종 게이팅 설계를 할 수 있게 된다.

여기서, 새로운 제품을 대상 제품이라 하고 종래 제품은 게이팅 설계를 위해 참조하기 위한 참조 제품(reference product)라고 할 수 있다.

문제는 대상 제품에 대해서 최대한 유사한 참조 제품을 어떻게 찾아내야 하는지이다.

전술한 바와 같이, 종래에는 설계자의 숙련도에 기반하여 설계자의 감에 의존하는 것이 일반적이었다. 또한, 선행특허는 대상 제품의 단층 촬영을 통해 생성되는 이미지를 이용하여 유사한 종래 제품을 찾아내는 것을 제시하고 있다. 즉, 숙련된 설계자가 종래 제품과 대상 제품을 보고 유사를 판단하거나, 종래 제품과 대상 제품의 단층 촬영 이미지를 보고 유사를 판단할 수 밖에 없다.

최근에는 머신 러닝 기반의 이미지 인식 모델을 다양한 분야에 적용하고자 하는 시도가 많이 이루어지고 있다.

일례로, 대상물을 처리하는 가전제품의 경우 대상물을 촬영한 이미지를 통해서 대상물의 현재 상태를 파악하여, 최적으로 대상물을 처리하고자 하는 시도가 많이 이루어지고 있다. 즉, 현재의 대상물을 촬영한 이미지를 머신 러닝 기반의 이미지 인식 모델에 입력하여 현재 대상물의 처리 상태가 출력되면, 출력 결과에 따라 대상물의 처리 알고리즘을 최적으로 보정하고자 하는 시도가 이루어지고 있다.

다시 말하면, 머신 러닝 기반의 이미지 인식 모델을 통해서 사람이 아닌 기계(인공지능)가 이미지의 유사 판단이나 해당 이미지가 어떤 이미지인지 판단하도록 함으로써, 판단 정확도를 높이고자 많은 시도가 이루어지고 있다.

이러한 배경 상황에서, 본 발명자는 어떠한 이미지를 이용하면 대상 제품과 종래 제품의 유사를 용이하게 판단할 수 있을지에 대하여 다양한 연구를 수행하였다. 물론, 이미지 획득이나 생성의 용이성도 함께 고려하여 연구를 수행하였다. 제품의 이미지라 함은 제품 특성 특히 게이팅 설계와 연관된 제품 특성을 최적으로 나타내야 한다는 점도 함께 고려하여 연구를 수행하였다.

또한, 본 발명자는 게이팅 설계 시스템 내지 프로그램이 요구되는 현장에서는 기본적으로 제품을 3D(3-dimensions) 기반으로 설계하고 있음을 알 수 있었다. 일례로 3D 캐드를 통해서 제품을 설계하여 제품에 대한 3D 형상 데이터를 기본적으로 생성 및 보유하고 있음을 알 수 있었다.

카메라나 단층 촬영 장치와 같은 추가적인 장비가 없더라도 3D 형상 데이터를 통해서 매우 다양한 형태의 이미지를 획득할 수 있다. 즉, 2D 형태의 이미지를 획득할 수 있다. 이러한 이미지는 제품의 외형을 다양한 방향에서 바라본 이미지 형태일 수도 있으며 다양한 평면에서의 단면 이미지 형태일 수도 있다.

그러나, 서로 다른 제품이라 하더라도 특정 방향에서의 제품 이미지는 서로 동일할 수 있다. 따라서, 제품의 특성을 제대로 파악하기 위해서는 매우 다양한 형태의 이미지가 확보되어야 한다. 그러므로, 일반적인 사시도 형태, 좌우측면도, 정면도, 후면도, 평면도 또는 단면도들을 통해서 제품 사이의 유사를 판단하는 것은, 설계자가 직접 이를 수행하거나 컴퓨터 프로그램을 이용하더라도 매우 어려운 작업일 수 밖에 없다.

이에 본 발명자는, 3D 형상 데이터를 통해서 용이하게 획득할 수 있고, 게이팅 설계 특성을 최대한 반영할 수 있고, 제품 유사도를 용이하게 판단할 수 있는 특정 이미지를 도출할 수 있었다.

이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 대해서 상세히 설명한다. 편의 상 주조에 대한 실시예로 본 발명의 일실시예를 설명한다.

도 1은 대상 제품의 이미지 일례(도 1(a))와 상기 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도 이미지의 일례(도 1(b))를 도시하고 있다. 도 2는 두께 지도 이미지의 변환 과정을 일례로 설명하고 있다.

도 1(a)에 도시된 대상 제품의 이미지는 3D 형상 데이터를 통해서 획득할 수 있는 사시도 이미지의 일례이다. 즉, 일례로 주조를 통해서 신규 제작하고자 하는 대상 제품의 사시 이미지라 할 수 있다.

3D로 형성된 대상 제품은 임의의 2D 평면에 대해서 투영할 수 있다. 투영된 이미지는 일반적인 단면도와 유사할 수 있다. 그러나, 일반적인 단면도는 투영면에 대한 대상 제품의 형상 및 단면 정보만 제공할 뿐 투영면과 대상 제품의 외곽(프로파일)까지의 거리를 제공하지 못한다.

일례로, 상기 투영면이 대상 제품을 관통하는 2D 평면일 수 있다. 이 경우, 단면도는 투영면에 수직한 방향으로의 대상 제품의 두께 정보를 제공하지 못한다.

이에 본 발명자는, 투영면이 대상 제품 외부에 설정되지 않고 대상 제품 내부를 관통하도록 하고, 투영면에 대한 대상 제품의 두께 정보를 하나의 이미지에 나타낼 수 있음을 알 수 있었다.

특히, 대상 제품 내부를 관통하는 무수히 많은 투영면 중에서, 주형의 분할면으로 고려할 수 있는 특정 투영면에 대한 대상 제품의 두께 지도 이미지를 획득할 수 있음을 알 수 있었다.

도 2(a)에 도시된 바와 같이, 3D 다이아몬드 형상의 제품을 대상제품(O)라 가정할 수 있다.

주조는 2분할 주형을 이용함이 일반적이다. 따라서 2분할 주형면 내지는 분할면(B)이 존재하게 되며, 주형은 분할면(B)의 수직으로 상하 내지는 좌우로 분리됨이 일반적이다. 이러한 주형면은 언더 컷이 발생되지 않도록 주형 빼기 방향을 고려하여 결정됨이 일반적이다.

따라서, 특정 투영면을 분할면(B)으로 설정하면 획득되는 이미지를 통해서 게이팅 설계 특징이 효과적으로 반영될 수 있다.

여기서, 분할면 즉 투영면을 xy 평면이라고 가정하면, xy 평면에 투영되는 대상 제품의 두께(주형 빼기 방향과 동일 방향에서의 대상 제품의 두께)를 z라 할 수 있다. 따라서, xy 좌표에 따라 대상 제품의 프로파일이 달라지는 경우 z 값은 달라지게 된다.

도 2(a)에 도시된 바와 같이, 투영면(B) 상의 임의의 좌표 A는 해당하는 x와 y값을 갖게 되며, 도 2(a)에 도시된 바와 같이 두께값 z를 갖는다.

여기서, 투영면에 대해서 대상 제품은 플러스 z 방향과 마이너스 z 방향에서 각각 프로파일을 가질 수 있다. 그러므로, xy 평면에 투영되는 대상 제품의 두께 z는 0 이상이며 플러스 z 방향으로의 두께와 마이너스 z 방향으로의 두께를 합한 값이라 할 수 있다. 이러한 이유로, 투영면에 투영되는 제품의 두께를 돌출 두께(projected thickness)라고도 할 수 있다.

여기서, 두께 z의 차이를 투영면에 어떻게 나타낼 것인가가 문제가 된다. 이에 본 발명의 일실시예에서는 두께 z의 차이를 밝기의 차이로 나타낼 수 있었다.

밝기는 일례로 0 내지 255로 구분하여 설정할 수 있다. 즉, 일례로 256 단계로 밝기 내지는 명암비의 차이를 이미지 상에 나타낼 수 있다. 일례로, 투영면에 대한 대상 제품의 두께가 클 수록 밝게 나타낼 수 있다. 물론, 그 반대의 경우도 가능할 수 있다.

투영면에서 대상 제품이 투영되지 않는 위치(픽셀)에서의 대상 제품 두께는 0이므로 가장 어두운 0 단계의 밝기를 갖고, 두께가 가장 큰 위치(픽셀)에서는 가장 밝은 255 단계의 밝기를 갖도록 할 수 있다. 두께 0과 대상 제품의 최대 두께 사이의 임의의 두께를 갖는 위치(픽셀)는 비율적으로 밝기를 조절할 수 있을 것이다.

또한, 기설정된 최대 두께를 255 단계의 밝기로 설정하고 그 이상의 두께인 경우에는 디폴트로 255 단계의 밝기로 나타낼 수 있다. 그리고, 두께 0과 최대 두께 사이의 임의의 두께를 갖는 위치는 비율적으로 밝기를 조절할 수 있을 것이다.

어느 경우나 투영면 상에서 대상 제품의 두께에 따라 픽셀의 밝기가 서로 다르도록 나타낸 이미지를 획득할 수 있게 된다. 즉, 대상 제품에 대한 3D 형상을 통해서, 대상 제품의 특정 투영면(x, y 좌표)에 대한 대상 제품의 두께가 반영된 지도(projected thickness map, PTM)가 획득될 수 있으며, PTM을 통해서 PTM 이미지를 획득할 수 있게 된다.

따라서, 도 2에서 투영면의 A 지점은 C 지점으로 변환되면서 해당 z 값에 대응되는 밝기를 가지게 된다. 다시 말하면, 도시되지는 않았지만, 도 2(b)의 삼각형은 외각에서는 검정색을 갖게 되고 중심을 향하여 점차 밝아져서 중심에서 가장 밝게 나타나게 될 것이다. 왜냐하면, 삼각형의 중심 부분에서 대상 제품의 두께가 가장 크기 때문이다.

여기서, PTM 이미지는 카메라나 단층 촬영 장치 등을 통해서 형성된 이미지가 아니라, 3D 형상 데이터를 이용한 데이터 프로세싱을 통해서 획득할 수 있는 이미지이다. 따라서, 매우 용이하고 신속하게 PTM 이미지를 획득할 수 있게 된다.

또한, PTM 이미지는 주형의 분할면과 주형 빼기 방향을 고려하여 획득되므로, 게이팅 설계와 연관되어 최적의 대상 제품 정보를 나타내는 이미지라 할 수 있다.

그리고, PTM 이미지는 대상 제품뿐만 아니라 참조 제품에 대해서도 용이하게 획득할 수 있다. 즉, 게이팅 설계가 특정되어 제조되었던 참조 제품에 대한 3D 형상 데이터가 구비되기만 하면, 마찬가지로 데이터 프로세싱을 통해서 참조 제품들에 대해서도 PTM 이미지를 쉽게 획득할 수 있게 된다. 따라서, 참조 제품에 대한 데이터 베이스 구축 및 확장 또한 용이하게 수행할 수 있게 된다.

한편, 하나의 제품은 투영면 상에서 복수 개의 픽셀로 나타낼 수 있다. 픽셀의 수가 많을 수록 보다 세밀하게 제품을 표현할 수 있다. PTM 이미지는 각각의 픽셀에서 밝기를 달리함으로써 상기 투영면에 투영된 제품의 돌출 두께의 차이를 표현하게 된다.

따라서, 픽셀 수가 많을 수록 제품 자체의 특성을 보다 정확하게 나타낼 수 있다. 그러나, 픽셀 수가 많아질 수록 처리해야 할 데이터의 양이 많아질 수 밖에 없다. 그러므로, 제품에 대한 PTM 이미지는 대략 200x200 개의 픽셀을 가지도록 할 수 있다.

일례로, 제품을 관통하고 제품 전체를 포함하는 특정 투영면을 200x200 픽셀의 이미지로 표현하는 경우, 각각의 픽셀은 xy 좌표뿐만 아니라 제품의 돌출 두께에 대응하는 밝기 값을 갖게 된다.

도 1(a)에 도시된 대상 제품 이미지를 보면 몸체 중앙 부분에 원기둥 형태로 상부로 돌출된 부분은 대상 제품 전체에서 가장 돌출 두께가 크다는 것을 알 수 있다. 투영면이 상기 원기둥 돌출 방향과 수직인 평면이라고 하면, 투영면에 대하여 원기둥 부분에서의 돌출 두께는 동일함을 알 수 있다.

따라서, 도 1(a)에 도시된 대상 제품을 도 1(b)에서와 같이 PTM 이미지로 변환하는 경우, 원기둥 부분이 가장 밝게 나타날 수 있음을 알 수 있다.

대상 제품에 대한 PTM 이미지가 획득이 되면, 상기 PTM 이미지와 비교되는 참조 제품에 대한 PTM 이미지가 마련되어야 한다. 즉, 데이터 베이스가 마련되어야 한다.

데이터 베이스는 참조 제품별로 구분되어 마련될 수 있다. 여기서 참조 제품별이라 하면 품목(카테고리) 별로 구분되어 마련될 수 있다.

비교 대상이 되는 카테고리가 많을 수록 대상 제품과 가장 유사한 참조 제품이 존재할 개연성이 실제로 높다. 따라서, 카테고리가 많을 수록 보다 신뢰성이 있는 게이팅 설계가 수행될 수 있다. 이는 본 발명의 일실시예에 따른 게이팅 설계 경험이 축적될 수록 데이터 베이스의 확장이 수행되고, 후술하는 바와 같이 학습이 수행됨으로써, 바람직하게 진화하는 게이팅 설계가 수행될 수 있음을 의미하게 된다.

도 3은 본 발명의 일실시예에 따른 PTM 이미지가 데이터 베이스에 저장된 일례들을 도시하고 있다.

여기서, 데이터 베이스는 참조 제품에 대한 정보를 저장하고 있는 데이터 베이스이다. 즉, 참조 제품에 대한 PTM 이미지들이 저장된 데이터 베이스이며, 따라서 참조 데이터 베이스라 할 수 있으며 학습을 수행하기 위한 정보를 저장하고 있으므로 학습 데이터 베이스라고도 할 수 잇다.

전술한 바와 같이, 참조 또는 학습 데이터 베이스에는 참조 제품별 또는 카테고리 별로 서로 구분되어 각각에 PTM 이미지가 저장될 수 있다. 도 3에는 일례로 3 개의 종래 제품이 서로 구분되고, 각각의 종래 제품에 복수 개의 PTM 이미지가 저장된 일례를 도시하고 있다. 즉, 도 3(a), 도 3(b) 그리고 도 3(c)에 도시된 종래 제품은 서로 다른 제품으로 서로 구분되며, 따라서 게이팅 설계가 서로 다른 제품들이라 할 수 있다. 물론, 효과적인 게이팅 설계를 위해서 종래 제품의 개수는 더욱 많아야 할 것이다.

하나의 카테고리는 하나의 참조 제품에 대한 기본 PTM 이미지를 포함할 수 있다. 여기서, 기본 PTM 이미지는 3D 데이터를 통해 생성된 원본 PTM 이미지라 할 수 있다. 그리고, 상기 기본 PTM 이미지는 다각적으로 샘플링될 수 있는 샘플링 이미지들로 변환될 수 있다. 샘플링 이미지는 기본 PTM 이미지에 대해서 회전, 축소, 확대 그리고 블러링(blurring)된 이미지들을 포함할 수 있다. 즉, 가공된 이미지들을 포함할 수 있다. 여기서, 샘플링 이미지는 기본 PTM 이미지에 대한 간단한 데이터 프로세싱을 통해서 획득될 수 있다. 물론, 전술한 바와 같이, 기본 PTM 이미지 또한 3D 형상 데이터를 이용하여 간단한 데이터 프로세싱을 통해서 획득될 수 있다.

일례로, 하나의 카테고리 내에는 기본 PTM 이미지와 복수 개의 샘플링 이미지를 포함할 수 있다. 도 3(a)에 도시된 바와 같이, 하나의 종래 제품 카테고리 내에는 기본 PTM 이미지와 복수 개의 샘플링 이미지(가공한 PTM 이미지)들이 기 저장될 수 있다.

기본적으로, 본 발명의 일실시예는 대상 제품의 기본 PTM 이미지와 복수 개의 카테고리 내에 있는 복수 개의 이미지를 비교하여, 유사한 이미지를 도출하고, 유사한 이미지의 카테고리(종래 제품)을 찾는 것이라 할 수 있다.

물론, 대상 제품의 기본 PTM 이미지와 참조 제품들 각각의 기본 PTM 이미지를 비교하여 유사한 참조 제품을 찾는 것도 가능할 수 있다. 그러나, 대상 제품과 참조 제품 사이의 스케일 차이, 돌출 두께의 차이, 투영면의 돌출 두께 방향으로의 회전 각도 차이 등으로 인해서, 대상 제품의 기본 PTM 이미지를 참조 제품들 각각의 기본 PTM 이미지와 샘플링 이미지들과 비교하는 것이 더욱 바람직할 것이다.

이하에서는, 도 4를 참조하여, 본 발명의 일실시예에 따른 게이팅 설계 시스템에 대해서 상세히 설명한다.

게이팅 설계 시스템은 사용자 인터페이스 내지는 API(application programming interface)(10)와 판단 코어(30)를 포함할 수 있다.

API(10)는 판단 코어(30)에 정보를 제공하고 판단 코어(30)가 작동하도록 요청하기 위한 인터페이스라 할 수 있다. 또한, API(10)는 판단 코어(30)가 작동한 결과 즉 판단 결과를 받고 이를 사용자에게 제공하기 위한 인터페이스라 할 수 있다.

여기서, 상기 API(10)는 대상 제품의 PTM 정보를 상기 판단 코어(30)에 제공할 수 있으며, PTM 정보를 이미지화한 PTM 이미지를 상기 판단 코어(30)에 제공할 수 있다. 즉, API는 대상 제품에 대한 정보를 판단 코어(30)에 제공하기 위해 구비된다고 할 수 있다.

일례로, API(10)는 대상 제품에 대한 PTM 이미지 정보를 상기 판단 코어(30)에 제공하고, 판단 코어에 유사한 종래 제품을 추천하도록 명령할 수 있다. 구체적으로, API는 어떠한 형태로 판단 코어가 판단 결과를 출력할지 명령할 수 있다.

본 실시예는, 판단 코어 데이터 베이스(DB, 40)를 더 포함할 수 있다. 즉, 종래 제품에 대한 PTM 이미지들을 통해 학습된 학습결과물을 저장하기 위한 판단 코어 데이터 베이스(40)를 더 포함할 수 있다.

상기 학습 데이터 베이스(50)에 대한 상세한 내용은 전술하였다.

상기 판단 코어(30)는 이미지 인식 모델을 통해서 입력된 대상 제품에 대해서 데이터 베이스(50)에 저장된 참조 제품들 중 유사한 참조 제품을 출력할 수 있다. 이미지 인식 모델에 대한 상세한 사항은 후술한다.

상기 판단 코어(30)는 학습 데이터 베이스(50)에 저장된 참조 제품의 PTM 이미지를 통해서 학습을 수행할 수 있다. 이러한 학습 결과 즉 학습결과물이 판단 코어 데이터 베이스(40)에 저장될 수 있다.

API(10)를 통해서 대상 제품의 PTM 이미지가 판단코어(20)에 입력되면, 판단코어(20)는 입력된 PTM 이미지를 분석하고 판단코어 데이터 베이스(40)에 저장된 학습결과물과 비교하여, 유사한 참조제품이 무엇인지에 대한 판단 결과를 출력하게 된다. 즉, 학습은 입력 및 출력이 수행되기 전에 기 수행되며, 기 수행된 학습결과물을 반영하여 입력에 대한 출력이 수행된다고 할 수 있다.

대상 제품에 대한 게이팅 설계가 완료되며, 해당 대상 제품에 대한 PTM 정보는 학습 데이터 베이스(50)에 저장될 수 있다. 즉, 학습 데이터 베이스(50)가 확장될 수 있다. 학습 데이터 베이스(50)가 지속적으로 확장됨에 따라 재학습이 수행될 수 있다. 이러한 재학습이 수행됨에 따라 학습결과물은 진화할 수 있다. 따라서, 재학습에 의한 학습결과물이 진화됨에 따라 더욱 정확하고 유사한 판단 결과가 도출될 수 있다.

한편, 이미지 인식 모델은 다양한 형태로 제공될 수 있다. 따라서, 본 실시예에 따른 게이팅 설계 방법 및 시스템은 제공되는 이미지 인식 모델을 이용한 것이라 할 수 있다.

따라서, 판단 코어(30) 및 판단 코어 데이터 베이스(40)는 별도로 마련될 수 있다. 물론, 판단 코어(30)와 데이터 베이스(40)를 하나의 시스템으로 구축할 수 있으며, 이를 판단 코어 시스템(20)이라 할 수 있다. 이 경우, 본 발명의 일실시예는 API와 판단 코어 시스템을 포함할 수 있다. 또한, 판단 코어 데이터 베이스(40)와 별도로 본 실시예에서는 학습 데이터 베이스(50)을 더 포함할 수 있다.

판단 코어(30)와 마찬가지로, API는 다양한 형태로 변형될 수 있으며, API 제공자와 판단 코어 또는 판단 코어 시스템을 제공자는 서로 다를 수 있다. 따라서, 본 발명의 일실시예는 API를 통해 입력된 정보를 통해 판단 결과를 상기 API로 제공하기 위한 판단 코어(30)를 포함하는 게이팅 설계 방법 및 시스템에 관한 것이라고도 할 수 있다.

또한, 이러한 판단 코어(30)의 제공자가 데이터 베이스 포멧을 함께 제공할 수 있다. 따라서, 본 발명의 일실시예는 API를 통해 입력된 정보를 통해 판단 결과를 상기 API로 제공하기 위한 이미지 인식 모델로서의 판단 코어(30)와 상기 판단 코어(30)의 데이터 베이스(40)를 포함하는 게이팅 설계 방법 및 시스템에 관한 것이라고도 할 수 있다. 다시 말하면, 이미지 인식 모델로서의 판단 코어(30, 협의의 판단 코어)와 판단 코어(30)를 통한 학습결과물을 저장하는 판단 코어 데이터 베이스(40)를 포함하여 광의의 판단 코어(20)가 서로 구분되어 제공될 수 있다.

타 제공자가 제공하는 협의의 판단 코어(30)를 이용하여 본 실시예에 따른 게이팅 설계 방법 및 시스템이 제공될 수 있으며, 타 제공자가 제공하는 광의의 판단 코어(20)를 이용하여 본 실시예에 따른 게이팅 설계 방법 및 시스템이 제공될 수 있다.

한편, 본 실시예에서는 게이팅 설계에 대한 구체적인 정보를 저장하고 있는 설계 DB(60)를 포함할 수 있다. 설계 DB는 참조 제품들 각각에 적용된 게이팅 설계 정보를 저장할 수 있다.

판단 코어(20)를 통해서 대상 제품에 대한 참조 제품이 도출되며, 해당 참조 제품이 무엇인지 사용자는 알 수 있다. 해당 참조 제품이 무엇인지 사용자가 알면, 해당 참조 제품이 적용된 구체적인 게이팅 설계 정보를 사용자가 알 수 있다. 즉, 설계 DB를 통해서 해당 참조 제품에 적용된 구체적인 게이팅 설계 정보를 알 수 있다.

API(10)를 통해서 해당 참조 제품의 정보를 입력하며, 설계 DB에서 해당 참조 제품에 대한 게이팅 설계 정보를 출력할 수 있다.

도 4에는 API(10)를 통해서 설계 DB(60)에 해당 참조 제품의 정보를 요청하여 출력하는 것이 도시되어 있다. 그러나, API(10)를 통해서 판단 코어(20)에 유사한 참조 제품의 정보를 요청함과 아울러 유사한 참조 제품이 무엇인지 판단한 후 해당 참조 제품에 대한 정보가 출력되도록 할 수 있다.

이하에서는 도 5를 참조하여, 본 발명의 일실시예에 따른 게이팅 설계 플로우에 대해서 상세히 설명한다.

대상 제품의 PTM 이미지 내지는 PTM 이미지 정보를 통해서 유사도 판단(S20)이 수행된다. 이러한 유사도 판단은 판단 코어(30)에서 수행될 수 있다.

한편, 유사도 판단을 위해 대상 제품의 PTM 정보가 상기 판단 코어(30)에 입력(S10)될 수 있다. 이러한 정보의 입력은 API(10)를 통해서 수행될 수 있다.

전체적인 게이팅 설계 플로우의 시작은 대상 제품의 3D 모델링(S1)이라 할 수 있다. 즉, 대상 제품을 3D로 형상을 설계한 후 비로서 게이팅 설계가 시작될 수 있다.

대상 제품을 3D 모델링한 후, 각도 해석 등을 통해서 분할면을 설정(S2)할 수 있다. 즉, 금형의 분할면을 설정할 수 있다. 이러한 분할면이 설정되면, 대상 제품의 PTM 이미지가 설정될 수 있다. 즉, 대상 제품의 3D 데이터와 분할면 데이터를 통해서 용이하게 대상 제품의 PTM 이미지 정보가 생성될 수 있다.

여기서, 대상 제품의 3D 모델링, 분할면 설정 그리고, PTM 이미지 생성은 별도의 프로세싱을 통해서 수행될 수 있으며, 프로세싱의 최종 결과를 API(10)를 통해서 판단 코어(30)로 입력할 수 있다.

판단 코어(30)에서는 입력된 대상 제품의 정보와 기저장된 참조 제품들의 정보를 통해서, 유사도를 판단하고 판단 결과를 출력(S30)하게 된다.

판단 결과의 출력 형식은 API(10)를 통해서 지정될 수 있다. 일례로, 가장 유사한 참조 제품만 출력할 것인지, 유사 정도를 함께 출력할 것인지, 아니면 복수개 의 참조 제품을 유사 정도에 따라 순차적으로 출력할 것인지 API를 통해서 지정할 수 있다.

API는 판단 코어의 판단 결과를 제공받아서 유사한 참조 제품을 제시(S40)하게 된다.

최대한 유사한 참조 제품이 제시되면, 해당 참조 제품에 적용된 게이팅 디자인이 제시(S50)될 수 있다. 즉, 설계 DB(50)에 저장된 게이팅 디자인이 제시될 수 있다. 설계자는 제시된 게이팅 디자인을 고려, 반영 내지는 수정 등의 과정을 거쳐서 최종적으로 대상 제품 게이팅 디자인이 수행되도록 할 수 있다.

이하에서는 도 6 및 도 7을 참조하여, 판단 코어에 적용되는 이미지 인식 모델에 대해서 상세히 설명한다. 즉, 도 5에서 설명한 유사도 판단(S20)의 구체적인 내용에 대해서 설명한다. 여기서, 이미지 인식 모델은 인공 지능의 일례로서, 딥러닝에 대해서 상세히 설명한다.

대상 제품의 PTM 이미지와 참조 제품의 PTM 이미지를 비교하여, 대상 제품과 유사한 참조 제품을 찾아야 한다. 이를 설계자가 수동으로 진행하지 않고 딥러닝을 통해서 진행할 수 있다.

인공 지능이란 인간의 지능으로 할 수 있는 사고, 학습, 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 일 분야에 해당한다. 이러한 인공지능의 연구 분야 중 하나인 머신 러닝은 경험적 데이터를 기반으로 예측을 수행하고, 학습을 통해 스스로의 성능을 향상시키는 시스템을 의미할 수 있다.

머신 러닝의 일종인 딥러닝 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝은 단계를 높여 갈수록 복수의 데이터로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(artificial neural network(ANN))을 포함할 수 있고, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(deep neural network)으로 구성될 수 있다.

도 6을 참조하면, 인공신경망은 입력 레이어(Input Layer), 히든 레이어(Hidden Layer), 및 출력 레이어 (Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

여기서, 히든 레이어가 단일 레이어를 가질 수도 있으며 복수 레이어를 가질 수 있다. 전자를 단일 레이어 신경망(single-layer neural network)라 하고 후자를 멀티 레이어 신경망(multi-layer neural network)라 할 수 있다. 도 4에는 멀티 레이어 신경망이 판단 코어에 적용된 일례를 도시하고 있다.

판단 코어는 입력된 데이터로부터 일정한 패턴을 발견해 특징맵(feature-map)을 형성할 수 있다. 판단 코어에 입력된 데이터는 대상 제품의 PTM 이미지 정보일 수 있다.

예컨대, 도 6에 도시된 바와 같이 판단 코어는 하위레벨 특징(layer 1)부터, 중간레벨 특징(layer 2), 및 상위레벨 특징을 추출하여, 대상을 인식하고 그 결과를 출력(label)할 수 있다.

인공신경망은 다음 순서의 레이어로 갈 수록 더욱 상위레벨의 특징으로 추상화할 수 있다. 그리고, 다음 순서의 레이어로 갈 수록 노드의 개수는 줄어든다고 할 수 있다.

각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징(layer 1)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(layer 2)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(layer 2)의 노드는 하위레벨 특징(layder 1)의 복수의 노드들로부터 출력되는 값들을 입력받을 수 있다.

이 때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트는 노드 간의 연결 강도를 의미할 수 있다.

또한, 딥러닝 과정은 적절한 웨이트를 찾아내는 과정으로도 볼 수 있다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징(lalyer 2)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(label)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(label)의 노드는 중간레벨 특징(layer 2)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

인공신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보(label)를 출력할 수 있다.

판단 코어는 가장 상위 레벨의 특징 정보와 기학습된 종래 제품들의 특징 정보를 비교하여 유사도를 판단할 수 있다.

여기서 유사도는 동일 제품인 경우 1이라 하고 1에 가까울 수록 더욱 유사한 것으로 정의할 수 있다.

도 6에 도시된 바와 같이, 입력된 대상 제품에 대해서 판단 코어는 판단된 유사도에 따라서 가장 유사한 종래 제품을 제시할 수 있다. 종래 제품뿐만 아니라 유사 정도 또한 제시할 수 있다.

또한, 판단 코어는 가장 유사한 종래 제품뿐만 아니라 유사 정도에 따라 복수 개의 종래 제품을 순차적으로 제시할 수도 있다. 물론, 종래 제품에 대한 유사 정도 또한 함께 제시할 수 있다.

여기서, 판단 코어는 판단 결과를 API로 제공하고, API를 통해서 판단 결과가 사용자에게 제시될 수 있다.

본 발명에 따른 딥러닝 구조는 전술한 멀티 레이어 신경망 네트워크뿐만 아니라 기공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

도 7에는 CNN을 이용한 판단 코어를 통해서 유사도 판단이 수행되는 일례를 도시하고 있다. 즉, 딥러닝 구조를 제외하고 도 4에 도시된 것과 동일할 수 있다. 따라서, CNN 및 이를 이용한 플로우에 대한 상세한 설명은 생략한다.

마찬가지로, 입력된 대상 제품의 PTM 이미지를 판단 코어에서 분석하고, 학습결과물과 비교하여 유사 정도에 따라 참조 제품들을 출력할 수 있다.

도 7에 도시된 바와 같이, 유사도가 가장 1에 가까운 0.6 값을 갖는 class 1 참조 제품이 출력될 수 있다.

한편, 주조와 사출은 원재료를 용융시켜 금형에 주입한 후, 원재료를 응고시켜 제품을 제작하기 위한 공정으로 서로 매우 유사하다. 주조는 금속 원재료를 사용함에 반하여 사출은 플라스틱 원재료를 사용하는 등의 차이가 있다고 할 수 있다.

따라서, 전술한 게이팅 설계 방법 및 시스템은 주조뿐만 아니라 사출에도 동일하게 적용하는 것이 가능할 것이다. 이 경우, 주조 금형(주형)은 사출 금형과 대응된다고 할 수 있다. 그러므로, 본 발명의 일실시예에 따르면, 주조뿐만 아니라 사출 설계도 매우 신속하고 정확하게 수행할 수 있게 된다.

10 : API 20 : 판단 코어 시스템
30 : 판단 코어 40 : 판단 코어 DB
50 : 학습 DB 60 : 설계 DB

Claims (20)

1. API(application programming interface)를 통해서 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지를 판단 코어에 제공하는 단계;
   상기 판단 코어를 통해서 대상 제품의 PTM 이미지와 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고
   참조 제품에 적용된 게이팅 설계를 상기 대상 제품의 게이팅 설계로 가이드하기 위하여, 상기 API를 통해서 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하며,
   상기 PTM 이미지는 각각 상기 대상 제품에 대한 3D 형상 데이터와 상기 참조제품에 대한 3D 형상 데이터를 이용한 데이터 프로세싱을 통해서 획득됨을 특징으로 하는 게이팅 설계 방법.
2. 제 1 항에 있어서,
   상기 특정 투영면은 대상 제품과 참조 제품을 각각 관통하는 평면인 것을 특징으로 하는 게이팅 설계 방법.
3. 제 2 항에 있어서,
   상기 대상 제품의 특정 투영면과 상기 참조 제품의 특정 투영면은 동일한 기준으로 기설정됨을 특징으로 하는 게이팅 설계 방법.
4. 제 1 항에 있어서,
   상기 특정 투영면은 금형의 분할면인 것을 특징으로 하는 게이팅 설계 방법
5. 제 4 항에 있어서,
   상기 두께는 금형 빼기 방향으로의 대상 제품과 참조 제품 각각의 전체 길이인 것을 특징으로 하는 게이팅 설계 방법.
6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 PTM 이미지는, 상기 특정 투영면에 대하여 상기 두께의 편차를 밝기 편차로 나타낸 2D 이미지인 것을 특징으로 하는 게이팅 설계 방법.
7. 제 1 항에 있어서,
   상기 대상 제품에 대한 3D 형상 데이터를 통해서 상기 PTM 이미지를 획득하는 단계를 더 포함함을 특징으로 하는 게이팅 설계 방법.
8. 삭제
9. 판단 코어를 통해서 대상 제품의 특정 투영면에 대한 상기 대상 제품의 두께 지도(projected thickness map, PTM) 이미지와 참조 제품의 특정 투영면에 대한 상기 참조 제품의 PTM 이미지의 유사도를 판단하는 단계; 그리고
   참조 제품에 적용된 게이팅 설계를 상기 대상 제품의 게이팅 설계로 가이드하기 위하여, API(application programming interface)를 통해서 상기 대상 제품과 참조 제품의 유사도 판단 결과를 제시하는 단계를 포함하며,
   상기 PTM 이미지는 각각 상기 대상 제품에 대한 3D 형상 데이터와 상기 참조제품에 대한 3D 형상 데이터를 이용한 데이터 프로세싱을 통해서 획득됨을 특징으로 하는 게이팅 설계 방법.
10. 삭제
11. 제 9 항에 있어서,
    상기 대상 제품의 PTM 이미지와 상기 참조 제품의 PTM 이미지는, 각각의 금형 분할면을 상기 특정 투영면으로 설정하여 생성되는 것을 특징으로 하는 게이팅 설계 방법.
12. 제 11 항에 있어서,
    상기 유사도 판단 결과는, 유사도에 따라 복수 개의 참조 제품을 순차적으로 제시되는 것을 특징으로 하는 게이팅 설계 방법.
13. API(application programming interface) 및 판단 코어를 포함하는 게이팅 설계 시스템에 있어서,
    상기 API는, 대상 제품에 대한 3D 형상 데이터를 통해 생성한 대상 제품의 특정 투영면에 대한 대상 제품의 두께 지도(projected thickness map, PTM) 이미지 정보를 상기 판단 코어에 제공하고,
    상기 판단 코어는, 머신 러닝 기반의 이미지 인식 모델을 통해, 참조 제품에 대한 PTM 이미지 정보 중에서 상기 제공받은 이미지 정보와 유사도를 판단하여, 판단 결과를 상기 API에 제공하며,
    상기 PTM 이미지는 각각 상기 대상 제품에 대한 3D 형상 데이터와 상기 참조제품에 대한 3D 형상 데이터를 이용한 데이터 프로세싱을 통해서 획득됨을 특징으로 하는 게이팅 설계 시스템.
14. 제 13 항에 있어서,
    상기 이미지 인식 모델은,
    딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 심층신경망(deep neural network) 또는 다층신경망(multi-layer neural network)을 포함함을 특징으로 하는 게이팅 설계 시스템.
15. 제 14 항에 있어서,
    상기 이미지 인식 모델은,
    딥 러닝(deep learning) 기반의 학습에 기초하여 구축된 CNN(convolutional neural network)를 포함함을 특징으로 하는 게이팅 설계 시스템.
16. 제 13 항에 있어서,
    상기 API는 상기 대상 제품에 대한 하나의 기본 PTM 이미지 정보(가공되지 않은 PTM 이미지 정보)를 상기 판단 코어에 제공하는 것을 특징으로 하는 게이팅 설계 시스템.
17. 제 13 항에 있어서,
    상기 참조 제품에 대한 PTM 이미지 정보를 저장하는 데이터 베이스를 포함하고,
    상기 데이터 베이스는 상기 참조 제품을 종류별로 구분하여 각각 PTM 이미지 정보를 저장하는 것을 특징으로 하는 게이팅 설계 시스템.
18. 제 17 항에 있어서,
    상기 데이터 베이스는, 종류별로 구분된 참조 제품에 대해, 하나의 기본 PTM 이미지 정보(가공되지 않은 PTM 이미지 정보)와 상기 기본 PTM 이미지 정보를 가공한 PTM 이미지 정보를 저장하는 것을 특징으로 하는 게이팅 설계 시스템.
19. 제 18 항에 있어서,
    상기 가공한 PTM 이미지 정보는, 상기 기본 PTM 이미지 정보에 대하여 확대, 축소, 회전 및 블러링(blurring)한 PTM 이미지 정보를 포함함을 특징으로 하는 게이팅 설계 시스템.
20. 제 18 항에 있어서,
    상기 판단 코어는, 상기 종류별로 구분된 참조 제품의 기본 PTM 이미지 정보 및 가공한 PTM 이미지 정보를 통하여 학습을 수행하는 것을 특징으로 하는 게이팅 설계 시스템.

Images