KR102426829B1 - Ai 기반 제품 표면 검사 장치 및 방법 - Google Patents

Ai 기반 제품 표면 검사 장치 및 방법 Download PDF

Info

Publication number
KR102426829B1
KR102426829B1 KR1020210180195A KR20210180195A KR102426829B1 KR 102426829 B1 KR102426829 B1 KR 102426829B1 KR 1020210180195 A KR1020210180195 A KR 1020210180195A KR 20210180195 A KR20210180195 A KR 20210180195A KR 102426829 B1 KR102426829 B1 KR 102426829B1
Authority
KR
South Korea
Prior art keywords
product
image data
neural network
surface inspection
defect
Prior art date
Application number
KR1020210180195A
Other languages
English (en)
Inventor
박정윤
정하일
박정현
Original Assignee
주식회사 인터엑스
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 인터엑스 filed Critical 주식회사 인터엑스
Priority to KR1020210180195A priority Critical patent/KR102426829B1/ko
Application granted granted Critical
Publication of KR102426829B1 publication Critical patent/KR102426829B1/ko
Priority to PCT/KR2022/018411 priority patent/WO2023113274A1/ko
Priority to US18/541,004 priority patent/US20240112781A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/16—Payments settled via telecommunication systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G06T5/007—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Immunology (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Databases & Information Systems (AREA)

Abstract

미리 학습된 인공 신경망을 이용하여 특성이 다른 제품의 불량을 검출하는 제품 표면 검사 장치 및 방법이 개시된다. 일 실시예에 따른 제품 표면 검사 장치는 제품을 촬영하여 이미지 데이터를 생성하며, 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하는 센서부; 및 제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출하는 검출부를 포함하며, 합성곱 신경망의 합성곱층(Convolution layer)의 개수는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나에 기초하여 결정될 수 있다.

Description

AI 기반 제품 표면 검사 장치 및 방법{Apparatus and method for product surface inspection based Artificial Intelligence}
제품의 표면을 검사하기 위한 기술로서 특히, 미리 학습된 인공 신경망을 이용하여 특성이 다른 제품의 불량을 검출하는 제품 표면 검사 장치 및 방법에 관한 것이다.
최근 인공 신경망을 이용한 이미지 분석을 통하여 제품의 불량을 검출하는 방법에 대한 연구가 이루어지고 있다. 그러나, 이미지를 분석하기 위한 인공 신경망은 학습 방법에 관계없이 많은 양의 학습 데이터를 필요로 한다. 그러나, 많은 제조업 환경에서는 인공 신경망을 학습하기에 필요한 충분한 양의 학습 데이터를 확보하는데 어려움이 있다.
또한, 학습 데이터에 따라 인공 신경망의 성능이 달라질 수 있는 바, 정교한 학습 데이터가 필요하며, 제조 현장에서 잘못된 기준으로 분류한 학습 데이터를 사용하는 경우, 인공 신경망의 성능이 현저히 저하될 수 있다.
이에 따라, 정밀하게 설계된 학습 데이터를 이용하여 제품 표면에서 나타나는 다양한 불량 유형들을 사전에 미리 학습한 인공 신경망을 이용하여 다양한 제조 현장에서 학습 데이터와 다른 특성을 가지는 제품의 불량을 검출할 수 있는 장치의 개발이 필요하다.
미리 학습된 인공 신경망을 이용하여 특성이 다른 제품의 불량을 검출하는 제품 표면 검사 장치 및 방법을 제공하는데 목적이 있다.
일 양상에 따르면, 제품 표면 검사 장치는 제품을 촬영하여 이미지 데이터를 생성하며, 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하는 센서부; 및 제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출하는 검출부를 포함하며, 합성곱 신경망의 합성곱층(Convolution layer)의 개수는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나에 기초하여 결정될 수 있다.
합성곱 신경망은 제 1 불량 종류에 대한 소정 크기의 학습 이미지 데이터를 입력 받아 소정 크기의 그리드로 분할하여 학습을 수행할 수 있다.
학습 이미지 데이터는 동일한 제품에 대한 이미지를 RGB를 기준으로 나눈 3채널 이미지로 구성되며, 상기 학습 데이터의 크기는 448x448 이며, 상기 그리드의 크기는 7x7 일 수 있다.
합성곱 신경망은 하나의 학습 이미지데이터에 대하여 학습 이미지 데이터의 크기를 상기 그리드의 크기로 나눈 횟수만큼 학습을 수행할 수 있다.
합성곱 신경망은 N개의 불량 종류 각각에 대하여 학습을 수행할 수 있다.
합성곱 신경망의 합성곱층의 개수는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나의 유사도에 기초하여 결정될 수 있다.
합성곱 신경망의 합성곱층의 개수는 유사도에 반비례하여 증가할 수 있다.
제품 표면 검사 장치 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 기초로 이미지 데이터를 변환하여 검출부로 입력하는 전처리부를 더 포함할 수 있다.
전처리부는 상기 이미지 데이터에서 제품 형상을 추출하는 자동 크로핑(auto cropping)을 수행하며, 상기 자동 크로핑된 제품의 형상에 기초하여 제품의 밝기 및 그림자 중 적어도 하나의 특징을 추출할 수 있다.
전처리부는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도 및 명도 중 적어도 하나를 기준으로 이미지 데이터의 색상, 채도 및 명도 중 적어도 하나를 변환할 수 있다.
전처리부는 제품의 투명도에 기초하여 이미지 샤프닝 필터의 주파수를 결정하며, 이미지 데이터에 이미지 샤프닝 필터를 적용하여 이미지 데이터를 변환할 수 있다.
검출부는 제품에 존재하는 불량의 위치, 불량의 크기 및 불량의 종류를 검출하며, 동일한 위치, 동일한 크기 및 동일한 종류의 불량이 소정 개수 이상 지속적으로 발생하는 경우, 해당 불량은 불량이 아닌 것으로 결정할 수 있다.
검출부는 상기 제품에 존재하는 불량의 위치, 불량의 크기를 기초로 이미지 데이터 상에 바운딩 박스를 표시하며, 상기 바운딩 박스가 표시된 이미지 데이터와 불량의 종류를 출력할 수 있다.
일 양상에 따르면, 제품 표면 검사 방법은 제품을 촬영하여 이미지 데이터를 생성하는 단계; 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하는 단계; 및 제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출하는 단계를 포함하며, 합성곱 신경망의 합성곱층(Convolution layer)의 개수는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나에 기초하여 결정될 수 있다.
제품 표면 검사에 특화된 미리 학습된 인공 신경망을 이용하여 적은 양의 이미지 데이터로 다양한 제조 현장에서 특성이 다른 제품들의 불량을 효과적이고 빠르게 검출할 수 있다.
도 1은 일 실시예에 따른 AI 기반 제품 표면 검사 장치의 구성도이다.
도 2는 일 실시예에 따른 AI 기반 제품 표면 검사 장치의 구성도이다.
도 3은 일 실시예에 따른 AI 기반 제품 표면 검사 장치의 동작을 설명하기 위한 예시도이다.
도 4는 일 실시예에 따른 AI 기반 제품 표면 검사 방법을 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 제품 표면 검사 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명한다. 이하, AI 기반 제품 표면 검사 장치 및 방법은, 각각 제품 표면 검사 장치 및 제품 표면 검사 방법으로 약칭될 수 있다.
도 1은 일 실시예에 따른 제품 표면 검사 장치의 구성도이다.
도 1을 참조하면, 제품 표면 검사 장치(100)는 센서부(110) 및 검출부(120)를 포함할 수 있다.
일 실시예에 따르면, 센서부(110)는 제품을 촬영하여 이미지 데이터를 생성할 수 있다. 예를 들어, 센서부(110)는 제품을 촬영하기 위한 카메라 센서를 포함할 수 있다.
일 실시예에 따르면, 센서부(110)는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정할 수 있다. 예를 들어, 센서부(110)는 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하기 위한 별도의 센서를 포함하거나, 이미지 데이터를 분석하여 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 분석할 수 있다.
일 실시예에 따르면, 검출부(120)는 제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출할 수 있다. 일 예에 따르면, 합성곱 신경망은 사출품으로부터 특징을 추출하는 역할을 수행하는 복수개의 합성곱 층(Convolution layer)으로 구성될 수 있다.
일 실시예에 따르면, 상기 합성곱 신경망은 제 1 불량 종류에 대한 소정 크기의 학습 이미지 데이터를 입력 받아 소정 크기의 그리드로 분할하여 학습을 수행할 수 있다. 일 예로, 학습 이미지 데이터는 동일한 제품에 대한 이미지를 RGB를 기준으로 나눈 3채널 이미지로 구성되며, 상기 학습 데이터의 크기는 448x448 이며, 상기 그리드의 크기는 7x7 일 수 있다.
일 예에 따르면, 제품 표면 검사를 위한 합성곱 신경망은 제품을 촬영한 이미지 데이터를 바탕으로 불량의 특징이 추출되도록 층을 나누어 학습할 수 있다. 이때, 이미지 데이터 안에서 불량 부위가 합성곱 신경망에서 층이 깊어질수록 너비와 높이는 감소하고 채널은 증가하게 된다.
일 예에 따르면, 상기 합성곱 신경망은 하나의 학습 이미지 데이터에 대하여 학습 이미지 데이터의 크기를 상기 그리드의 크기로 나눈 횟수만큼 학습을 수행할 수 있다. 예를 들어, 예를 들어, 불량을 포함한 이미지 데이터의 픽셀 크기가 448x448x3(너비x높이x채널)이며, 불량 이미지의 픽셀 크기가 7*7라고 가정하는 경우, 합성곱 신경망은 채널 별로 서로 다른 특징(feature)을 1024 * 4회 학습할 수 있다.
일 실시예에 따르면, 합성곱 신경망은 N개의 불량 종류 각각에 대하여 학습을 수행할 수 있다.
일 예로, 제품의 불량 종류는 충전 부족(Short Shot), 흑줄(Black streak), 크랙(Crack), 플래시(Flash, Burr), 플로우 마크(Flow Mark), 젯팅(Jetting), 싱크 마크(Sink Mark), 은줄(Silver Streak), 휨/변형(Warpage), 웰드 라인(Weld Line), 탁한 표면(cloudy surface), 박리(delamination) 중 어느 하나일 수 있다.
도 2를 참조하면, 검출부(230)는 복수의 합성곱층(231) 및 복수의 완전 연결층(fully connected layer)을 포함할 수 있다.
일 실시예에 따르면, 합성곱 신경망의 합성곱층의 개수는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나에 기초하여 결정될 수 있다. 일 예로, 제품의 색상, 채도, 명도, 투명도 또는 반사도에 따라 제품 표면의 불량을 검출하는 난이도에 가치가 있을 수 있다. 예를 들어, 어두운 색의 불투명한 제품의 경우, 제품 표면의 은줄 등이 쉽게 검출되는 반면, 밝은 색의 투명한 제품의 경우, 제품 표면의 은줄이 눈에 잘 띄지 않을 수 있다. 이에 따라, 불량 검출 난이도, 합성곱 신경망의 프로세싱 처리 속도 등을 고려하여 합성곱층의 개수를 조절할 수 있다.
일 예에 따르면, 합성곱 신경망은 소정의 제품에 대한 학습 데이터를 이용하여 학습될 수 있으며, 실제 검출을 수행하는 제품은 학습 데이터의 제품과 다른 특성을 가질 수 있다. 이에 따라, 불량을 검출하는 제품의 특성을 반영하여 합성곱 신경망의 구성을 조절할 수 있다.
일 예로, 합성곱 신경망의 합성곱층의 개수는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나의 유사도에 기초하여 결정될 수 있다.
예를 들어, 검출을 수행하는 제품의 특성이 합성곱 신경망을 학습하는데 사용한 학습 데이터의 제품과 유사한 경우, 합성곱 신경망은 상대적으로 높은 확률로 제품의 불량을 검출할 수 있다. 반면, 검출을 수행하는 제품의 특성이 합성곱 신경망을 학습하는데 사용한 학습 데이터의 제품과 상이한 경우, 합성곱 신경망은 상대적으로 낮은 확률로 제품의 불량을 검출할 수 있다. 이에 따라, 합성곱 신경망은 불량을 검출하는 제품과 합성곱 신경망을 학습하는데 사용한 학습 데이터의 제품의 특성을 비교하여 합성곱 신경망을 구성하는 합성곱층의 개수를 조절할 수 있다.
일 실시예에 따르면, 합성곱 신경망의 합성곱층의 개수는 유사도에 반비례하여 증가할 수 있다. 예를 들어, 유사도가 높은 경우, 상대적으로 불량을 검출할 확률이 높아질 수 있는 바, 합성곱 신경망의 합성곱층의 개수를 감소시켜 프로세싱 효율을 높일 수 있다. 반면, 유사도가 낮은 경우, 상대적으로 불량을 검출할 확률이 낮아지는 반, 합성곱 신경망의 합성곱층의 개수를 증가시켜 검출 성능을 향상시킬 수 있다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 기초로 이미지 데이터를 변환하여 검출부로 입력하는 전처리부를 더 포함할 수 있다.
도 2를 참조하면, 전처리부(220)는 센서부(210)에서 생성한 이미지 데이터를 입력 받아 변환하여 검출부(230)로 전달할 수 있다. 이를 위하여, 전처리부(220)는 센서부(210)로부터 제품의 색상, 채도 및 명도 중 적어도 하나에 대한 정보를 수신할 수 있다. 또는, 전처리부(220)는 입력 받은 이미지 데이터를 분석하여 제품의 색상, 채도 및 명도 중 적어도 하나를 분석할 수 있다.
일 실시예에 따르면, 전처리부(220)는 상기 이미지 데이터에서 제품 형상을 추출하는 자동 크로핑(auto cropping)을 수행하며, 상기 자동 크로핑된 제품의 형상에 기초하여 제품의 밝기 및 그림자 중 적어도 하나의 특징을 추출할 수 있다.
일 실시예에 따르면, 전처리부(220)는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도 및 명도 중 적어도 하나를 기준으로 이미지 데이터의 색상, 채도 및 명도 중 적어도 하나를 변환할 수 있다.
일 예를 들어, 불량을 검출하는 제품의 특성과 합성곱 신경망을 학습하는데 사용된 학습 데이터의 제품의 특성이 상이한 경우, 검출부(230)의 성능이 저하될 수 있다. 이에 따라, 전처리부(220)는 제품의 색상, 채도 및 명도 중 적어도 하나를 학습 데이터의 제품의 색상, 채도 및 명도 중 적어도 하나를 기준으로 변환할 수 있다. 예를 들어, 명도가 높은 경우 제품의 불량 검출 확률이 줄어든다고 가정하면, 전처리부(220)는 이미지 데이터의 명도를 낮춰 변환된 이미지를 생성할 수 있다.
일 실시예에 따르면, 전처리부(220)는 제품의 투명도에 기초하여 이미지 샤프닝 필터의 주파수를 결정하며, 이미지 데이터에 이미지 샤프닝 필터를 적용하여 이미지 데이터를 변환할 수 있다.
예를 들어, 투명한 제품의 경우, 제품 표면의 얼룩 등이 정상인 부분과 쉽게 구분되지 않을 수 있다. 이에 따라, 미세한 차이를 보다 부각시키기 위하여 이미지 데이터의 고주파 특성을 보다 강조 필요가 있다. 이를 위하여, 전처리부(220)는 샤프닝 필터를 이용하여 이미지 데이터의 고주파 성능을 보다 강조시킬 수 있다. 일 예로, 샤프닝 필터는 고주파 통과 필터 또는 고주파 강조 필터로 표현될 수 있다.
일 실시예에 따르면, 검출부(120)는 제품에 존재하는 불량의 위치, 불량의 크기 및 불량의 종류를 검출하며, 동일한 위치, 동일한 크기 및 동일한 종류의 불량이 소정 개수 이상 지속적으로 발생하는 경우, 해당 불량은 불량이 아닌 것으로 결정할 수 있다.
일 실시예에 따르면, 검출부(120)는 상기 제품에 존재하는 불량의 위치, 불량의 크기를 기초로 이미지 데이터 상에 바운딩 박스를 표시하며, 상기 바운딩 박스가 표시된 이미지 데이터와 불량의 종류를 출력할 수 있다. 이를 위하여, 제품 표면 검사 장치는 이미지 데이터를 출력할 수 있는 인터페이스를 더 포함할 수 있다.
도 3(a)를 참조하면, 제품의 불량을 검출하기 위하여 센서부(110)에서 제품의 이미지 데이터를 생성하는 경우, 제품에 조명 빛이 반사되거나 주변의 다른 물체가 반사될 수 있다. 특히, 표면이 매끄러운 유광 제품의 경우, 반사에 따른 영향이 클 수 있다.
일 예로, 검출부(120)는 반사로 인한 얼룩과 같은 부분을 불량으로 잘못하여 검출할 수 있다. 이에 따라, 검출부(120)는 불량이 발생한 위치, 크기 및 종류가 지속적으로 반복되는 경우, 해당 불량은 외부적인 영향에 의해 발생한 것으로 판단할 수 있다. 이러한 경우, 검출부(120)는 외부적인 영향에 의한 불량으로 판단한 불량은 검출에서 제외시킬 수 있다.
도 3(b)를 참조하면, 제품의 불량을 검출하기 위하여 센서부(110)에서 제품의 이미지 데이터를 생성하는 경우, 투명한 제품을 통과한 빛이나 주변의 다른 물체의 이미지가 촬영될 수 있다. 특히, 투명도가 높은 제품의 경우, 배경 이미지의 투과에 따른 영향이 클 수 있다.
일 예로, 검출부(120)는 배경에 있는 물체 및 얼룩과 같은 부분을 불량으로 잘못하여 검출할 수 있다. 이에 따라, 검출부(120)는 불량이 발생한 위치, 크기 및 종류가 지속적으로 반복되는 경우, 해당 불량은 외부적인 영향에 의해 발생한 것으로 판단할 수 있다. 이러한 경우, 검출부(120)는 외부적인 영향에 의한 불량으로 판단한 불량은 검출에서 제외시킬 수 있다.
도 4는 일 실시예에 따른 제품 표면 검사 방법을 도시한 흐름도이다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품을 촬영하여 이미지 데이터를 생성할 수 있다(410). 예를 들어, 제품 표면 검사 장치는 제품을 촬영하기 위한 카메라 센서를 포함할 수 있다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정할 수 있다(420).
일 실시예에 따르면, 제품 표면 검사 장치는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정할 수 있다. 예를 들어, 제품 표면 검사 장치는 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하기 위한 별도의 센서를 포함하거나, 이미지 데이터를 분석하여 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 분석할 수 있다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출할 수 있다(430).
일 예에 따르면, 합성곱 신경망은 사출품으로부터 특징을 추출하는 역할을 수행하는 복수개의 합성곱 층(Convolution layer) 및 복수의 완전 연결층(fully connected layer)을 포함할 수 있다.
일 실시예에 따르면, 합성곱 신경망의 합성곱층의 개수는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나에 기초하여 결정될 수 있다. 일 예로, 합성곱 신경망의 합성곱층의 개수는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나의 유사도에 기초하여 결정될 수 있다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 기초로 이미지 데이터를 변환할 수 있다. 일 예로, 제품 표면 검사 장치는 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도 및 명도 중 적어도 하나를 기준으로 이미지 데이터의 색상, 채도 및 명도 중 적어도 하나를 변환할 수 있다. 다른 예로, 제품 표면 검사 장치는 제품의 투명도에 기초하여 이미지 샤프닝 필터의 주파수를 결정하며, 이미지 데이터에 이미지 샤프닝 필터를 적용하여 이미지 데이터를 변환할 수 있다.
일 실시예에 따르면, 제품 표면 검사 장치는 제품에 존재하는 불량의 위치, 불량의 크기 및 불량의 종류를 검출하며, 동일한 위치, 동일한 크기 및 동일한 종류의 불량이 소정 개수 이상 지속적으로 발생하는 경우, 해당 불량은 불량이 아닌 것으로 결정할 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 제품 표면 검사 장치
110: 센서부
120: 검출부
200: 제품 표면 검사 장치
210: 센서부
220: 전처리부
230: 검출부
231: 합성곱층
233: 완전 연결층

Claims (14)

  1. 제품을 촬영하여 이미지 데이터를 생성하며, 상기 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하는 센서부; 및
    제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 상기 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출하는 검출부를 포함하며,
    상기 합성곱 신경망의 합성곱층(Convolution layer)의 개수는 상기 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 불량 종류에 따라 결정되는 불량 검출 난이도에 기초하여 결정되는, AI 기반 제품 표면 검사 장치.
  2. 제 1 항에 있어서,
    상기 합성곱 신경망은
    제 1 불량 종류에 대한 소정 크기의 학습 이미지 데이터를 입력 받아 소정 크기의 그리드로 분할하여 학습을 수행하는, AI 기반 제품 표면 검사 장치.
  3. 제 2 항에 있어서,
    상기 학습 이미지 데이터는 동일한 제품에 대한 이미지를 RGB를 기준으로 나눈 3채널 이미지로 구성되며,
    상기 학습 데이터의 크기는 448x448 이며,
    상기 그리드의 크기는 7x7 인, AI 기반 제품 표면 검사 장치.
  4. 제 2 항에 있어서,
    상기 합성곱 신경망은
    하나의 학습 이미지데이터에 대하여 학습 이미지 데이터의 크기를 상기 그리드의 크기로 나눈 횟수만큼 학습을 수행하는, AI 기반 제품 표면 검사 장치.
  5. 제 2 항에 있어서,
    상기 합성곱 신경망은
    N개의 불량 종류 각각에 대하여 학습을 수행하는, AI 기반 제품 표면 검사 장치.
  6. 제 1 항에 있어서,
    상기 합성곱 신경망의 합성곱층의 개수는
    상기 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 상기 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나의 유사도에 더 기초하여 결정되는, AI 기반 제품 표면 검사 장치.
  7. 제 6 항에 있어서,
    상기 합성곱 신경망의 합성곱층의 개수는 상기 유사도에 반비례하여 증가하는, AI 기반 제품 표면 검사 장치.
  8. 제 1 항에 있어서,
    상기 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 기초로 상기 이미지 데이터를 변환하여 상기 검출부로 입력하는 전처리부를 더 포함하는, AI 기반 제품 표면 검사 장치.
  9. 제 8 항에 있어서,
    상기 전처리부는
    상기 이미지 데이터에서 제품 형상을 추출하는 자동 크로핑(auto cropping)을 수행하며,
    상기 자동 크로핑된 제품의 형상에 기초하여 제품의 밝기 및 그림자 중 적어도 하나의 특징을 추출하는, AI 기반 제품 표면 검사 장치.
  10. 제 8 항에 있어서,
    상기 전처리부는
    상기 합성곱 신경망의 학습 데이터로 사용된 제품의 색상, 채도 및 명도 중 적어도 하나를 기준으로 상기 이미지 데이터의 색상, 채도 및 명도 중 적어도 하나를 변환하는, AI 기반 제품 표면 검사 장치.
  11. 제 8 항에 있어서,
    상기 전처리부는
    상기 제품의 투명도에 기초하여 이미지 샤프닝 필터의 주파수를 결정하며, 상기 이미지 데이터에 상기 이미지 샤프닝 필터를 적용하여 이미지 데이터를 변환하는, AI 기반 제품 표면 검사 장치.
  12. 제 1 항에 있어서,
    상기 검출부는
    제품에 존재하는 불량의 위치, 불량의 크기 및 불량의 종류를 검출하며,
    동일한 위치, 동일한 크기 및 동일한 종류의 불량이 소정 개수 이상 지속적으로 발생하는 경우, 해당 불량은 불량이 아닌 것으로 결정하는, AI 기반 제품 표면 검사 장치.
  13. 제 12 항에 있어서,
    상기 검출부는
    상기 제품에 존재하는 불량의 위치, 불량의 크기를 기초로 이미지 데이터 상에 바운딩 박스를 표시하며,
    상기 바운딩 박스가 표시된 이미지 데이터와 불량의 종류를 출력하는, AI 기반 제품 표면 검사 장치.
  14. 제품을 촬영하여 이미지 데이터를 생성하는 단계;
    제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나를 측정하는 단계; 및
    제품 표면의 불량을 검출하도록 학습된 합성곱 신경망(Convolutional neural network, CNN)에 상기 이미지 데이터를 입력하여 제품에 존재하는 불량을 검출하는 단계를 포함하며,
    상기 합성곱 신경망의 합성곱층(Convolution layer)의 개수는 상기 제품의 색상, 채도, 명도, 투명도 및 반사도 중 적어도 하나와 불량 종류에 따라 결정되는 불량 검출 난이도에 기초하여 결정되는, AI 기반 제품 표면 검사 방법.
KR1020210180195A 2021-12-16 2021-12-16 Ai 기반 제품 표면 검사 장치 및 방법 KR102426829B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210180195A KR102426829B1 (ko) 2021-12-16 2021-12-16 Ai 기반 제품 표면 검사 장치 및 방법
PCT/KR2022/018411 WO2023113274A1 (ko) 2021-12-16 2022-11-21 Ai 기반 제품 표면 검사 장치 및 방법
US18/541,004 US20240112781A1 (en) 2021-12-16 2023-12-15 Ai-based product surface inspecting apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210180195A KR102426829B1 (ko) 2021-12-16 2021-12-16 Ai 기반 제품 표면 검사 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102426829B1 true KR102426829B1 (ko) 2022-07-29

Family

ID=82606676

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210180195A KR102426829B1 (ko) 2021-12-16 2021-12-16 Ai 기반 제품 표면 검사 장치 및 방법

Country Status (3)

Country Link
US (1) US20240112781A1 (ko)
KR (1) KR102426829B1 (ko)
WO (1) WO2023113274A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113274A1 (ko) * 2021-12-16 2023-06-22 주식회사 인터엑스 Ai 기반 제품 표면 검사 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100088421A (ko) * 2009-01-30 2010-08-09 (주) 티아이에스 에이치티엠 기반의 최적 불량인식 시스템
WO2020031984A1 (ja) * 2018-08-08 2020-02-13 Ｂｌｕｅ Ｔａｇ株式会社 部品の検査方法及び検査システム
KR20210040853A (ko) * 2020-06-30 2021-04-14 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 제품 결함 검출 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
KR102296511B1 (ko) * 2020-11-17 2021-09-02 주식회사 트윔 제품 검사를 위한 학습 데이터 생성 장치, 방법 및 그 학습 데이터를 이용한 제품 검사 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102426829B1 (ko) * 2021-12-16 2022-07-29 주식회사 인터엑스 Ai 기반 제품 표면 검사 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100088421A (ko) * 2009-01-30 2010-08-09 (주) 티아이에스 에이치티엠 기반의 최적 불량인식 시스템
WO2020031984A1 (ja) * 2018-08-08 2020-02-13 Ｂｌｕｅ Ｔａｇ株式会社 部品の検査方法及び検査システム
KR20210040853A (ko) * 2020-06-30 2021-04-14 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 제품 결함 검출 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
KR102296511B1 (ko) * 2020-11-17 2021-09-02 주식회사 트윔 제품 검사를 위한 학습 데이터 생성 장치, 방법 및 그 학습 데이터를 이용한 제품 검사 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113274A1 (ko) * 2021-12-16 2023-06-22 주식회사 인터엑스 Ai 기반 제품 표면 검사 장치 및 방법

Also Published As

Publication number Publication date
WO2023113274A1 (ko) 2023-06-22
US20240112781A1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
KR102009494B1 (ko) 웨이퍼 검사를 위한 분할
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN110930390B (zh) 基于半监督深度学习的芯片管脚缺失检测方法
CN110473179B (zh) 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
KR102118809B1 (ko) 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
KR20190088089A (ko) 용접 표면 결점 검출 장치 및 방법
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN111368771A (zh) 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质
US20240112781A1 (en) Ai-based product surface inspecting apparatus and method
JP4389602B2 (ja) 物体検出装置、物体検出方法、プログラム
CA3114255C (en) Automatically detecting and isolating objects in images
KR20130072073A (ko) 영상 윤곽선 추출 장치 및 방법
CN114758329A (zh) 基于深度学习预测热成像图中目标区域温度的系统及方法
US20190033986A1 (en) Image processing method capable of detecting noise and related navigation device
KR102325347B1 (ko) 머신러닝 기반 결함 분류 장치 및 방법
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN107038690A (zh) 一种基于多特征融合的运动阴影去除方法
JP2006343185A (ja) 表面欠陥検査装置
JP7415286B2 (ja) カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法
IL233523A (en) A system and method for quantifying repetition such as in the analysis of laminated documents
JP2021092887A (ja) 外観検査装置、外観検査システム、特徴量推定装置および外観検査プログラム
CN115620121A (zh) 一种基于数字孪生的光电目标高精度检测方法
CN115131340A (zh) 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质
KR20230028050A (ko) 단계적 합부 판정을 기반으로 한 불량 검출방법 및 장치
CN114384089A (zh) 检测智能显示屏的系统、方法及可读存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant