KR102419738B1 - 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법 - Google Patents

인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법 Download PDF

Info

Publication number
KR102419738B1
KR102419738B1 KR1020210115676A KR20210115676A KR102419738B1 KR 102419738 B1 KR102419738 B1 KR 102419738B1 KR 1020210115676 A KR1020210115676 A KR 1020210115676A KR 20210115676 A KR20210115676 A KR 20210115676A KR 102419738 B1 KR102419738 B1 KR 102419738B1
Authority
KR
South Korea
Prior art keywords
mask
background image
spot
image
generating
Prior art date
Application number
KR1020210115676A
Other languages
English (en)
Inventor
김동준
Original Assignee
주식회사 별하늘친구
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 주식회사 별하늘친구 filed Critical 주식회사 별하늘친구
Priority to KR1020210115676A priority Critical patent/KR102419738B1/ko
Application granted granted Critical
Publication of KR102419738B1 publication Critical patent/KR102419738B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

본 명세서는 단말이 인공지능 모델을 이용하는 얼룩 검사의 학습 데이터를 생성하는 방법에 있어서, 상기 얼룩 검사의 학습을 위한 배경 이미지를 생성하며, 얼룩용 마스크(mask)를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 배경 이미지에 얼룩을 생성하며, 상기 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함하고, 상기 배경 이미지에 잡음 또는 오염을 추가할 수 있다.

Description

인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법 {METHOD FOR GENERATE IMAGE DATA FOR STAIN INSPECTION LEARNING USING ARTIFICIAL INTELLIGENCE}
본 명세서는 머신러닝 기술을 이용하여 디스플레이 패널의 얼룩을 인식을 위해 인공지능을 이용하는 얼룩검사 학습 이미지 데이터를 생성하는 방법 및 이를 위한 장치에 관한 것이다.
평판 디스플레이 패널(Flat Panel Display, FPD)를 제조하는 공정에서는 여러 가지 요인에 따라 얼룩이 패널에 발생할 수 있다. 이러한 얼룩은 시각적으로 전제적인 패널의 밝기 분포와 다른 밝기 분포를 가져 패널의 품질을 떨어뜨리게 된다. 따라서 디스플레이 제조사는 제조 공정상에서 이러한 얼룩들을 검사하기 위해 전문화된 검사 인력을 투입하여 육안 검사를 수행하고 있다.
하지만 디스플레이 패널의 얼룩은 다른 결함보다 검출하기가 까다롭다. 얼룩은 이미지에서 선명하게 보이는 경우보다 희미하게 보이는 경우가 많으며, 얼룩의 유형도 다양하다. 또한 점처럼 보이는 작은 얼룩부터 이미지 크기의 약 20%까지 차지할 정도로 큰 얼룩까지 발생하는 등, 얼룩 크기의 예측이 어렵고, 얼룩 영역은 밝기 대비가 약하기 때문에 이미지에 노이즈가 발생하게 되면, 얼룩 영역과 노이즈 영역의 경계가 모호해져 오검이 많이 발생하며, 검사자 개개인의 컨디션이나 주관적인 판단이 출하되는 패널의 품질의 일관성과 정확도에 큰 영향을 미치게 된다. 최근 이러한 문제를 개선하기 위해, 영상처리 기술을 이용하여 자동으로 얼룩을 검사하는 방법들이 고안되고 있다.
본 명세서의 목적은, 인공지능을 이용하는 얼룩검사 학습을 위해 충분한 양의 이미지 데이터를 생성하기 위한 것이다.
또한, 본 명세서의 목적은, 디스플레이 패널의 제조사별 제조 공정에 최적화된 얼룰검사 학습을 위한 이미지 데이터를 생성하기 위한 것이다.
본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서의 일 양상은 단말이 인공지능 모델을 이용하는 얼룩 검사의 학습 데이터를 생성하는 방법에 있어서, 상기 얼룩 검사의 학습을 위한 배경 이미지를 생성하는 단계; 얼룩용 마스크(mask)를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 배경 이미지에 얼룩을 생성하는 단계; 로서, 상기 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함함; 및 상기 배경 이미지에 잡음 또는 오염을 추가하는 단계; 를 포함할 수 있다.
또한, 상기 배경 이미지를 이용하여, 상기 인공지능 모델을 학습시키는 단계; 를 더 포함할 수 있다.
또한, 상기 배경 이미지를 생성하는 단계는 초기 이미지를 생성하는 단계; 상기 초기 이미지 상에 제1 원을 생성하고, 흐림(Blur) 처리하는 단계; 및 상기 초기 이미지 상에 제2 원을 생성하고, 흐림 처리하는 단계; 를 포함하며, 상기 제1 원은 상기 제2 원보다 큰 지름을 갖을 수 있다.
또한, 상기 얼룩용 마스크를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 배경 이미지에 얼룩을 생성하는 단계는 구름모양의 이미지를 생성하는 단계; 및 상기 구름모양의 이미지 및 상기 얼룩용 마스크에 근거하여, 상기 배경 이미지에 얼룩을 생성하는 단계; 를 포함할 수 있다.
또한, 상기 구름모양의 이미지 및 상기 얼룩용 마스크에 근거하여, 상기 배경 이미지에 얼룩을 생성하는 단계는 상기 얼룩용 마스크를 흐림 처리하고 상기 구름모양의 이미지에 오버랩하는 단계; 및 상기 오버랩된 얼룩용 마스크를 이용하여, 상기 배경 이미지에 얼룩을 생성하는 단계; 를 포함할 수 있다.
또한, 상기 제4 얼룩용 마스크는 상기 얼룩 검사의 대상이 되는 패널 외부의 가상점을 중심점으로 갖는 원 모양을 갖을 수 있다.
본 명세서의 또 다른 일 양상은 인공지능 모델을 이용하는 얼룩 검사의 학습 데이터를 생성하는 단말에 있어서, 메모리; 및 상기 메모리를 기능적으로 제어하는 프로세서; 를 포함하고, 상기 프로세서는 상기 얼룩 검사의 학습을 위한 배경 이미지를 생성하고, 얼룩용 마스크(mask)를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 배경 이미지에 얼룩을 생성하며, 상기 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함하고, 상기 배경 이미지에 잡음 또는 오염을 추가할 수 있다.
본 명세서의 실시예에 따르면, 인공지능을 이용하는 얼룩검사 학습을 위해 충분한 양의 이미지 데이터를 생성할 수 있다.
또한, 본 명세서의 실시예에 따르면, 디스플레이 패널의 제조사별 제조 공정에 최적화된 얼룰검사 학습을 위한 이미지 데이터를 생성할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 3은 본 명세서에 적용될 수 있는 학습 방법의 예시이다.
도 4는 본 명세서가 적용될 수 있는 단말의 일 실시예이다.
도 5는 본 명세서가 적용될 수 있는 촬영 이미지의 예시이다.
도 6은 본 명세서가 적용될 수 있는 단말의 배경 이미지 생성 방법의 예시이다.
도 7은 본 명세서가 적용될 수 있는 대형원 및 중형원의 예시이다.
도 8은 본 명세서가 적용될 수 있는 얼룩의 예시이다.
도 9는 본 명세서가 적용될 수 있는 얼룩 생성방법의 예시이다.
도 10은 본 명세서가 적용될 수 있는 구름 모양의 형태를 나타내는 이미지의 예시이다.
도 11 및 도 12는 본 명세서가 적용될 수 있는 얼룩용 마스크의 예시이다.
도 13은 본 명세서가 적용될 수 있는 얼룩 생성방법의 예시이다.
도 14는 본 명세서가 적용될 수 있는 얼룩이 생성된 배경 이미지를 예시한다.
도 15는 본 명세서가 적용될 수 있는 오염이 추가된 배경 이미지를 예시한다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
상기 전자 기기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 1에 도시된 구성요소들은 전자 기기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 전자 기기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 전자 기기(100)와 무선 통신 시스템 사이, 전자 기기(100)와 다른 전자 기기(100) 사이, 또는 전자 기기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 전자 기기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
센싱부(140)는 전자 기기 내 정보, 전자 기기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 전자 기기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 전자 기기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 전자 기기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
인터페이스부(160)는 전자 기기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 전자 기기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
또한, 메모리(170)는 전자 기기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 전자 기기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전자 기기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 전자 기기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 전자 기기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 전자 기기(100) 상에 설치되어, 제어부(180)에 의하여 상기 전자 기기의 동작(또는 기능)을 수행하도록 구동될 수 있다.
제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 전자 기기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 전자 기기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 전자 기기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.
상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 전자 기기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 전자 기기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 전자 기기 상에서 구현될 수 있다.
본 명세서에서 전자기기(100)는 단말로 통칭될 수 있으며, 검사 장비는 전자기기(100)의 적어도 일부 구성을 포함하고 디스플레이 패널의 얼룩을 탐지하기 위한 장치를 의미할 수 있다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 전자기기(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디스플레이 패널의 얼룩을 인식하기 위한 인공지능 모델을 생성할 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 AI 프로세서(21)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU, graphics processing unit)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델)을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 예를 들어, 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 다른 단말, 서버를 포함할 수 있다.
한편, 도 2에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈 또는 인공지능(AI) 모델로 호칭될 수도 있다.
도 3은 본 명세서에 적용될 수 있는 학습 방법의 예시이다.
얼룩 검출 알고리즘의 목표는 '사람이 얼룩으로 판단하는 영역을 단말도 얼룩으로 판단하라'이다. 다시 말해서, 단말이 사람과 같은 판단을 하기를 바라는 것이다. 사람은 인식하였던 얼룩 이미지들을 바탕으로 얼룩 모델(예를 들어, 얼룩의 형태와 크기, 밝기 대비 정도)을 무의식 중에 정의하고, 입력되는 이미지에 그와 비슷한 영역이 보이면 얼룩으로 검출한다. 머신러닝(machine learning)은 이와 비슷한 방식으로 문제를 해결하는 기법이다.
도 3을 참조하면, 머신러닝으로 문제를 해결하기 위해서는 학습(training) 과정(31)과 검사(test) 과정(32)이 필요하다.
학습 과정(31)은 사람이 얼룩 이미지들을 보면서 얼룩에 대해서 이해하는 것과 유사한 과정으로, 단말이 입력된 얼룩 이미지에 근거하여, 얼룩에 대해 모델링을 하는 과정이다. 이는 검사 장비로 얼룩을 검출하기 전의 오프라인 환경에서 수행될 수 있다. 이 때, 입력되는 얼룩 이미지가 많으면 많을수록 얼룩에 대해 더 정확한 모델링이 될 수 있다.
검사 과정(32)은 단말이 학습을 완료한 후에 실제 검사 장비를 통해, 얼룩을 검출하는 과정이다. 예를 들어, 단말은 학습된 얼룩모델을 이용하여, 입력 이미지에서 얼룩이 발견되면 이를 검출할 수 있다. 학습 과정(31)에서 얼룩의 유형이 함께 학습된 경우, 검사 과정(32)에서 단말은 얼룩 검출과 동시에 얼룩의 유형도 함께 구분(classification)할 수 있다.
이를 통해, 사용자는 얼룩의 유형과 제조 공정상의 문제점 사이의 관계를 판단하고, 검출된 얼룩의 유형을 통해 공정상에 문제가 발생하는 부분의 파악 및 개선이 가능하며 최종적으로는 수율(yield)을 높일 수 있다.
이러한 머신러닝을 기반으로 하는 얼룩 검출 알고리즘은 검사를 진행할수록 검사 장비의 성능이 더 좋아질 수 있다는 강점이 있다. 예를 들어, 학습 데이터(얼룩 이미지)의 양이 많을수록 단말은 학습된 얼룩모델을 더 정확하게 정의할 수 있기 때문에, 단말은 검사 장비로 검출한 얼룩 이미지를 폐기하지 않고 다시 학습 데이터로 사용하여 검사 성능(단말의 알고리즘)을 더 향상시킬 수 있다.
도 4는 본 명세서가 적용될 수 있는 단말의 일 실시예이다.
일반적인 얼룩 검출 알고리즘은 새로운 형태의 얼룩이 발견되면 그에 맞도록 업데이트 되어야 한다. 그러나 머신러닝을 사용하는 알고리즘은 새로운 형태나 크기의 얼룩에 대해서 학습만 시키면 새로운 형태의 얼룩도 발견이 가능하다. 예를 들어, 제조 공정 상의 청결 상태 변화는 얼룩의 형태나 노이즈를 바꿀 수 있다. 이런 경우 기존의 알고리즘들은 새로운 유형의 얼룩 검출을 위해 파라미터가 수정되거나, 알고리즘의 업데이트를 위해 엔지니어가 현장에 투입될 필요가 있었다. 그러나 머신러닝을 기반으로 한 알고리즘은 학습을 통해서 새로운 유형의 얼룩을 검출할 수 있기 때문에 엔지니어가 매번 대응할 필요가 없어 비용이 절감될 수 있다. 이러한 머신러닝 알고리즘의 성능은 학습 데이터의 양에 영향을 받을 수 있다. 예를 들어, 얼룩 이미지를 많이 확보한 업체의 검사 장비의 얼룩 모델이 보다 더 정교하게 정의될 수 있으며, 그에 따라 검사 장비의 성능이 더 좋아져 경쟁력 확보가 용이하다.
각 제조사 별로 얼룩 결함의 경향이 틀리기 때문에 특정 제조사의 결함 이미지로 학습된 모델은 다른 제조사에는 적용이 어려울 수 있다. 이는 샘플 이미지 부족이라는 문제로 귀결될 수 있다. 예를 들어, 제조 공정이 약간만 변경되어도 예측할 수 없는 새로운 형태의 결함이 발생할 수 있다. 이러한 특이 형태의 결함 이미지는 수량이 부족할 수밖에 없으며, 이는 클래스간 불균형을 일으키며 이 또한 샘플 이미지 부족으로 귀결될 수 있다.
그러나 인공지능을 사용하는 얼룩 검사 장비의 제조업체는 보안 상의 이유 등으로 충분한 학습이미지 확보에 어려움을 겪고 있다. 예를 들어, FPD는 대규모 장치 산업이고 경쟁이 점점 치열해지고 있으며, 몇 장의 이미지로도 공정을 파악할 수 있기 때문에 타사의 샘플 이미지 획득이 어렵다.
도 4를 참고하면, 단말은 얼룩검사를 위한 인공지능 학습 데이타의 부족을 해결하기 위해, 이미지 데이터를 생성할 수 있다. 예를 들어, 이미지 데이터는 positive image와 negative image로 분류될 수 있다. 여기서 negative image는 인식될 결함이 전혀 없는 이미지 데이터를 의미할 수 있다.
단말은 얼룩 검사를 위한 배경 이미지를 생성한다(S410). 예를 들어, 배경 이미지는 negative image 일 수 있다. 단말은 얼룩 검사의 학습을 위한 배경 이미지를 생성할 수 있다. 보다 자세하게, 단말은 초기 이미지를 생성하고, 초기 이미지 상에 제1 원을 생성하고, 흐림(Blur) 처리하며, 상기 초기 이미지 상에 제2 원을 생성하고, 흐림 처리하고, 상기 제1 원은 상기 제2 원보다 큰 지름을 갖을 수 있다.
단말은 얼룩용 마스크(mask)을 생성하고, 얼룩용 마스크를 이용하여 배경 이미지에 얼룩을 생성한다(S420). 예를 들어, 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함할 수 있다. 제4 얼룩용 마스크는 상기 얼룩 검사의 대상이 되는 패널 외부의 가상점을 중심점으로 갖는 원 모양을 갖을 수 있다. 보다 자세하게, 단말은 얼룩을 생성하기 위해 랜덤하게 구름 모양의 형태를 나타내는 이미지를 생성하고, 얼룩용 마스크를 생성하며, 얼룩용 마스크를 흐림(Blur) 처리할 수 있다. 이후, 단말은 구름 모양의 형태를 나타내는 이미지에 흐림 처리된 얼룩용 마스크를 오버랩하고, 얼룩용 마스크에 해당하는 이미지를 배경 이미지에 더하거나 뺌으로서, 배경 이미지에 얼룩을 생성할 수 있다.
단말은 배경 이미지에 잡음 또는 오염을 추가한다(S430).
단말은 배경 이미지를 이용하여 얼룩 검사를 위한 인공지능 모델을 학습시킨다(S440).
도 5는 본 명세서가 적용될 수 있는 촬영 이미지의 예시이다.
도 5를 참고하면, 얼룩 검사를 위해 카메라로 FPD를 촬영하는 경우, 일반적으로 이미지 전체에 걸친 밝기의 변화가 나타난다. 이는 조명/렌즈/기계구조 등에 의해 생기며 얼룩과는 구분된다. 사람은 대게 이미지 전체에 걸친 밝기의 변화는 얼룩으로 인식하지 않는다.
도 6은 본 명세서가 적용될 수 있는 단말의 배경 이미지 생성 방법의 예시이다.
도 6을 참조하면, S410을 보다 자세히 예시한다. 본 명세서에서 단말은 도 5에서 예시하는 촬영 이미지와 같이 사람에게 얼룩으로 인식되지 않는 다양한 형태의 배경 이미지를 생성할 수 있다.
단말은 배경 이미지 생성을 위한 초기 이미지를 생성한다(S610). 예를 들어, 초기 이미지는 특정 크기(W*H)를 갖을 수 있다.
단말은 초기 이미지 상에 대형원을 생성하고 흐림(Blur) 처리한다(S620). 예를 들어, 단말은 대형원의 지름을 0.5*W에서 1.5*W 범위 내에서 랜덤하게 설정하여 생성할 수 있다. 또한, 단말은 대형원의 위치 및 밝기를 랜덤하게 설정하여 생성할 수 있다. 이후, 단말은 생성된 대형원을 흐림 처리한다.
단말은 초기 이미지 상에 중형원을 생성하고 흐림(Blur) 처리한다(S630). 예를 들어, 단말은 중형원의 지름을 0.3*W에서 0.5*W 범위 내에서 랜덤하게 설정하여 생성할 수 있다. 또한, 단말은 중형원의 위치 및 밝기를 랜덤하게 설정하여 생성할 수 있다. 이후, 단말은 생성된 중형원을 흐림 처리한다.
도 7은 본 명세서가 적용될 수 있는 대형원 및 중형원의 예시이다.
도 7을 참조하면, 단말은 초기 이미지에 하나 이상의 대형원 및 중형원을 생성하고 흐림 처리하여, 배경 이미지를 생성할 수 있다.
도 8은 본 명세서가 적용될 수 있는 얼룩의 예시이다.
도 8을 참조하면, 인공지능 모델의 학습을 위해 생성되는 배경 이미지와 관련하여, 일반적으로 제조 공정 상에 발생할 수 있는 얼룩은 Spot, Region, Impurity 및 Line 4가지로 분류될 수 있다. Impurity는 공정상 glass 위에 묻은 실오라기 등이며, 제거 또는 재작업이 가능한 것으로 얼룩은 아니지만 단말의 학습 데이터에 포함시키는 것이 학습에 유리하다.
도 9는 본 명세서가 적용될 수 있는 얼룩 생성방법의 예시이다.
도 9(a)를 참조하면, 얼룩을 생성하기 위해 배경 이미지에 선이나 원을 직접 그리게 되는 경우, 실제 제조 공정에서 발생하는 얼룩과는 다른 자연스럽지 못한 형태가 생성된다.
도 9(b)를 참조하면, S420을 보다 자세하게 예시한다.
단말은 랜덤이미지 생성기법으로 구름 모양의 형태를 나타내는 이미지를 생성한다(S910). 예를 들어, 랜덤이미지 생성기법은 CG(compute graphics) 분야에서 불이나 구름, 월드 지형 맵을 만들 때 사용하는 기법으로 일반적으로 diamond-square algorithm 과 Perlin noise 방식이 사용될 수 있다.
도 10은 본 명세서가 적용될 수 있는 구름 모양의 형태를 나타내는 이미지의 예시이다.
도 10을 참조하면, 랜덤이미지 생성기법 중 하나인 diamond-square algorithm을 이용하면, 현실과 유사한 형태의 랜덤한 구름 모양의 형태를 나타내는 이미지가 생성될 수 있다.
다시 도 9(b)를 참조하면, 단말은 얼룩용 마스크를 생성한다(S920). 예를 들어, 얼룩용 마스크는 표 1과 같이 분류될 수 있다.
종류 생성방법
Spot 다양한 지름, 각도, 밝기의 타원을 그린다.
Line 가로/세로의 비율이 1:10 이상인 다양한 크기, 각도, 밝기의 선을 그린다.
Impurity Spline 알고리즘 등으로 다양한 형태의 실오라기 모양을 그린다.
Region Diamond square 알고리즘 등으로 비정형 얼룩을 생성한다.
단말은 얼룩용 마스크를 구름 모양의 형태를 나타내는 이미지에 오버랩한다(S930).단말은 얼룩용 마스크 부분을 추출하고, 이를 이용하여 배경 이미지에 얼룩을 생성한다(S940).
도 11 및 도 12는 본 명세서가 적용될 수 있는 얼룩용 마스크의 예시이다.
도 11(a)를 참조하면, 예를 들어, Spot 마스크는 (1) 장축 길이 : 0.05*W ~ 0.3*W, (2) 단축 길이 : 0.05*W ~ 0.3*W, (3) 타원의 기울어진 각도 : 0~180도 (4) 밝기 : 5~255 를 갖을 수 있으며, 검출하려는 얼룩에 따라 상기 값들은 적절한 값으로 설정될 수 있다.
도 11(b)를 참조하면, 예를 들어, Line 마스크는 (1) length : 0.3*W ~ 0.9*W, (2) thickness : length * (0.01 ~ 0.1), (3) 기울어진 각도 : 0~90도, (4) 밝기 : 5~255 를 갖을 수 있으며, 검출하려는 얼룩에 따라 상기 값들은 적절한 값으로 설정될 수 있다.
도 11(c)를 참조하면, Impurity 마스크를 생성하기 위해, 단말은 크기(0.1*W ~ 0.3*W)를 설정하고, 임의의 점을 복수개(예를 들어, 3~6개)를 선택하며(좌표설정), 임의의 두께(5 ~ 0.1*W)를 설정하고, 스플라인 알고리즘을 이용하여 점들을 연결하여 Impurity 마스크를 생성할 수 있다.
도 12(a)를 참조하면, Region 얼룩은 다양한 형태를 보이지만 대부분은 전술한 spot과 line으로 분류될 수 있다. 다만, 다른 것들과 구분되는 반원 형태(1210)와 도넛 형태(1220)의 얼룩이 발생할 수 있으며, 이를 학습하기 위한 얼룩용 마스크의 생성이 요구된다.
도 12(b)를 참조하면, 반원 형태의 얼룩은 FPD에서 테두리의 백라이트 누설로 생길수 있다. 반원 형태의 얼룩용 마스크를 생성하기 위해, 단말은 지름(예를 들어, 0.2*W ~ 0.5*W)을 설정하고, 원의 중심좌표를 FPD 외부의 가상점으로 설정한 뒤, 원을 생성할 수 있다.
도 12(c)를 참조하면, 도넛 형태의 얼룩은 FPD를 이송시키기 위한 진공 흡착판 등에 의해서 생길 수 있으며, 단말은 두께를 가지는 원으로 도넛 형태의 얼룩을 생성할 수 있다. 예를 들어, 단말은 지름(예를 들어, 0.2*W ~ 0.7*W)을 설정하고, 원의 중심좌표를 설정하며, 원의 두께(예를 들어, 0.05*W ~ 0.3*W)를 설정하여, 원을 생성할 수 있다.
도 13은 본 명세서가 적용될 수 있는 얼룩 생성방법의 예시이다.
도 13을 참조하면, S930 및 S940을 보다 자세히 예시한다. 단말은 얼룩용 마스크를 생성하고(a), 얼룩 이미지의 외곽이 실제와 유사하도록 얼룩용 마스크를 흐림 처리한 후에(b), 구름 모양의 형태를 나타내는 이미지에 오버랩하고(c), 이를 배경 이미지에 더하거나 뺌으로서(d) 배경 이미지에 얼룩을 생성할 수 있다.
도 14는 본 명세서가 적용될 수 있는 얼룩이 생성된 배경 이미지를 예시한다.
도 14를 참조하면, 전술한 방법을 이용하여 단말에 의해, spot 얼룩과 line 얼룩이 생성된 배경 이미지를 예시한다.
도 15는 본 명세서가 적용될 수 있는 오염이 추가된 배경 이미지를 예시한다.
얼룩이 생성된 배경 이미지에 오염을 추가하면, 더욱 실제와 유사한 형태로 생성할 수 있다. 오염의 형태는 다양하며, 도 15를 참조하면, 원형 잡음의 오염이 추가된 배경 이미지를 예시한다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (8)

  1. 단말이 인공지능 모델을 이용하는 얼룩 검사의 학습 데이터를 생성하는 방법에 있어서,
    상기 얼룩 검사의 학습을 위한 제1 배경 이미지를 생성하는 단계;로서,
    상기 제1 배경 이미지를 생성하는 단계는
    단색의 초기 이미지를 생성하는 단계;
    상기 초기 이미지 상에 제1 원을 생성하고, 흐림(Blur) 처리하는 단계; 및
    상기 초기 이미지 상에 제2 원을 생성하고, 흐림 처리하는 단계; 를 포함하며, 상기 제1 원은 상기 제2 원보다 큰 지름을 갖고,
    얼룩용 마스크(mask)를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 제1 배경 이미지에 얼룩을 생성하여 제2 배경 이미지를 생성하는 단계; 로서, 상기 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함함; 및
    상기 제2 배경 이미지에 잡음 또는 오염을 추가하여 제3 배경 이미지를 생성하는 단계;
    를 포함하며
    상기 제2 배경 이미지를 생성하는 단계는
    구름모양의 이미지를 랜덤하게 생성하는 단계;
    상기 얼룩용 마스크의 외곽을 흐림 처리하고 상기 구름모양의 이미지에 오버랩하는 단계; 및
    상기 오버랩된 얼룩용 마스크를 상기 제1 배경 이미지에 더하거나 뺌으로써 얼룩을 생성하는 단계;
    를 포함하는, 학습 데이터를 생성하는 방법.
  2. 제1항에 있어서,
    상기 제3 배경 이미지를 이용하여, 상기 인공지능 모델을 학습시키는 단계;
    를 더 포함하는 학습 데이터를 생성하는 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 제4 얼룩용 마스크는
    상기 얼룩 검사의 대상이 되는 패널 외부의 가상점을 중심점으로 갖는 원 모양을 갖는, 학습 데이터를 생성하는 방법.
  7. 인공지능 모델을 이용하는 얼룩 검사의 학습 데이터를 생성하는 단말에 있어서,
    메모리; 및
    상기 메모리를 기능적으로 제어하는 프로세서; 를 포함하고,
    상기 프로세서는
    상기 얼룩 검사의 학습을 위한 제1 배경 이미지를 생성하고, 상기 제1 배경 이미지를 생성하기 위해, 단색의 초기 이미지를 생성하고, 상기 초기 이미지 상에 제1 원을 생성하고, 흐림(Blur) 처리하며, 상기 초기 이미지 상에 제2 원을 생성하고, 흐림 처리하고, 상기 제1 원은 상기 제2 원보다 큰 지름을 갖으며,
    얼룩용 마스크(mask)를 생성하고, 상기 얼룩용 마스크를 이용하여 상기 제1 배경 이미지에 얼룩을 생성하여 제2 배경 이미지를 생성하고, 상기 얼룩용 마스크는 타원 모양의 제1 얼룩용 마스크, 선 모양의 제2 얼룩용 마스크, 실오라기 모양의 제3 얼룩용 마스크, 반원 형태의 제4 얼룩용 마스크, 및 도넛 형태의 제5 얼룩용 마스크를 포함하고, 상기 제2 배경 이미지에 잡음 또는 오염을 추가하여 제3 배경 이미지를 생성하며, 상기 제2 배경 이미지를 생성하기 위해, 구름모양의 이미지를 랜덤하게 생성하고, 상기 얼룩용 마스크의 외곽을 흐림 처리하고 상기 구름모양의 이미지에 오버랩하며, 상기 오버랩된 얼룩용 마스크를 상기 제1 배경 이미지에 더하거나 뺌으로써 얼룩을 생성하는, 단말.
  8. 제7항에 있어서,
    상기 제3 배경 이미지를 이용하여, 상기 인공지능 모델을 학습시키는 단말.
KR1020210115676A 2021-08-31 2021-08-31 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법 KR102419738B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210115676A KR102419738B1 (ko) 2021-08-31 2021-08-31 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210115676A KR102419738B1 (ko) 2021-08-31 2021-08-31 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법

Publications (1)

Publication Number Publication Date
KR102419738B1 true KR102419738B1 (ko) 2022-07-12

Family

ID=82419733

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210115676A KR102419738B1 (ko) 2021-08-31 2021-08-31 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법

Country Status (1)

Country Link
KR (1) KR102419738B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018152157A1 (en) * 2017-02-15 2018-08-23 Tokitae Llc Image analysis systems and related methods
JP2018205123A (ja) * 2017-06-05 2018-12-27 学校法人梅村学園 画像検査システムの性能調整のための検査用画像を生成する画像生成装置及び画像生成方法
WO2020175308A1 (ja) * 2019-02-25 2020-09-03 Dmg森精機株式会社 切屑検出装置、工作機械、切屑検出方法、学習用画像合成装置
KR20200108609A (ko) * 2019-03-11 2020-09-21 연세대학교 산학협력단 머신러닝 학습 데이터 증강장치 및 증강방법
JP2021005266A (ja) * 2019-06-27 2021-01-14 株式会社Ｓｃｒｅｅｎホールディングス 画像判別モデル構築方法、画像判別モデル、および画像判別方法
KR20210016247A (ko) * 2019-07-31 2021-02-15 삼성디스플레이 주식회사 얼룩 검출 장치, 얼룩 검출 방법 및 표시 장치
JP2021022369A (ja) * 2019-07-25 2021-02-18 パロ アルト リサーチ センター インコーポレイテッド 自動表面評価のためのシステム及び方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018152157A1 (en) * 2017-02-15 2018-08-23 Tokitae Llc Image analysis systems and related methods
JP2018205123A (ja) * 2017-06-05 2018-12-27 学校法人梅村学園 画像検査システムの性能調整のための検査用画像を生成する画像生成装置及び画像生成方法
WO2020175308A1 (ja) * 2019-02-25 2020-09-03 Dmg森精機株式会社 切屑検出装置、工作機械、切屑検出方法、学習用画像合成装置
KR20200108609A (ko) * 2019-03-11 2020-09-21 연세대학교 산학협력단 머신러닝 학습 데이터 증강장치 및 증강방법
JP2021005266A (ja) * 2019-06-27 2021-01-14 株式会社Ｓｃｒｅｅｎホールディングス 画像判別モデル構築方法、画像判別モデル、および画像判別方法
JP2021022369A (ja) * 2019-07-25 2021-02-18 パロ アルト リサーチ センター インコーポレイテッド 自動表面評価のためのシステム及び方法
KR20210016247A (ko) * 2019-07-31 2021-02-15 삼성디스플레이 주식회사 얼룩 검출 장치, 얼룩 검출 방법 및 표시 장치

Similar Documents

Publication Publication Date Title
WO2019101021A1 (zh) 图像识别方法、装置及电子设备
CN110726724A (zh) 缺陷检测方法、系统和装置
CN108061735A (zh) 零部件表面缺陷的识别方法和装置
CN111986159B (zh) 太阳能电池片的电极缺陷检测方法、设备及存储介质
CN105486687A (zh) 触摸面板检查装置和方法
CN111428373A (zh) 产品装配质量检测方法、装置、设备及存储介质
WO2020171621A1 (en) Method of controlling display of avatar and electronic device therefor
CN111428374A (zh) 零件缺陷检测方法、装置、设备及存储介质
CN110969045B (zh) 一种行为检测方法、装置、电子设备和存储介质
TW201917692A (zh) 一種評估影像品質之方法
JP2022551139A (ja) 生体顔検出方法、生体顔検出装置、電子機器、及びコンピュータプログラム
TWI702547B (zh) 車牌辨識方法及其系統
KR20220035250A (ko) 공동 환경 재구성 및 카메라 교정
CN111684782B (zh) 电子设备及其控制方法
KR102018556B1 (ko) 하자 보수 관리를 위한 관리 시스템 및 방법
KR102419738B1 (ko) 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법
KR20180092033A (ko) 부품 등록기
WO2020253724A1 (zh) 待清洁区域确定方法和装置、灰尘清理设备、控制清洁机器人的终端和存储介质
CN106203351A (zh) 裂缝智能识别分类的方法
CN105378573A (zh) 信息处理装置、检查范围的计算方法以及程序
CN115471439A (zh) 显示面板缺陷的识别方法、装置、电子设备及存储介质
CN111104921A (zh) 一种基于Faster rcnn的多模态行人检测模型及方法
CN116977256A (zh) 缺陷检测模型的训练方法、装置、设备及存储介质
TWI745946B (zh) 一種高爾夫球電腦檢測系統及自動光學檢測設備
CN114418951A (zh) 一种焊盘检测方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
GRNT Written decision to grant