KR102450131B1 - 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 - Google Patents
패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR102450131B1 KR102450131B1 KR1020210176701A KR20210176701A KR102450131B1 KR 102450131 B1 KR102450131 B1 KR 102450131B1 KR 1020210176701 A KR1020210176701 A KR 1020210176701A KR 20210176701 A KR20210176701 A KR 20210176701A KR 102450131 B1 KR102450131 B1 KR 102450131B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- defect
- patch
- normal
- defective
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 claims abstract description 274
- 230000002950 deficient Effects 0.000 claims abstract description 182
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 48
- 238000004590 computer program Methods 0.000 claims abstract description 38
- 238000003860 storage Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims description 55
- 238000001514 detection method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 35
- 230000036961 partial effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 70
- 239000000284 extract Substances 0.000 description 32
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 230000010339 dilation Effects 0.000 description 14
- 230000003628 erosive effect Effects 0.000 description 14
- 230000007797 corrosion Effects 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
- 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
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 결함 검출 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작; 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작; 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 동작; 및 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.
Description
본 발명은 인공지능 기술 분야에 관한 것으로서, 보다 구체적으로 인공지능 기술을 활용한 결함 검출에 관한 것이다.
현재 대부분의 제조 산업에서, 사람이 직접 육안으로 제조물에 결함이 있는지 여부를 검사하고 있다. 예를 들어, 차량을 제조하기 위한 공정에서, 공정 중간에 획득된 패널(예를 들어, 강철, 알루미늄, 플라스틱 등으로 구성된 패널)이나 또는 공정 완료 후에 획득된 패널들에 결함이 있는지 여부를 사람이 육안으로 검사할 수 있다. 패널에 크랙(crack), 넥킹(necking) 등이 있을 경우, 패널에 결함이 있는 것으로 판단할 수 있다.
그러나, 사람이 육안으로 공정에서 획득된 제조물들을 검사하는 기존의 방식은, 시간 및 비용 소모가 상당하다. 더욱이, 제조물에 대한 이러한 기존의 검사 방법은 사람의 숙련도에 따라서 정확도가 달라질 수 있고, 검사하는 사람의 개인적인 주관에 따라서 결함 여부 판단의 기준이 달라질 수 있고, 또한 정확한 기록을 남기는 것이 어려울 수 있다.
따라서, 제조 산업에는 제조물의 결함을 검사하기 위한 편리하고 정확성이 높은 방법에 대한 요구가 존재한다.
대한민국 공개 특허 제2016-0012537호는 신경망 학습 방법 및 장치, 데이터 처리 장치를 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 결함 검출 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 결함 검출 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작; 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작; 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 동작; 및 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 이미지는 사전에 하나 이상의 결함 영역이 라벨링 된 이미지일 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 패치는 상기 결함 이미지로부터 추출된 사전 결정된 크기의 이미지의 일부 영역이고, 그리고 상기 정상 패치는 상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나로부터 추출된 사전 결정된 크기의 이미지의 일부 영역일 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 패치는 상기 결함 이미지에 포함된 적어도 하나의 결함 영역을 포함하고, 그리고 상기 정상 패치는 상기 결함 이미지에 포함된 상기 하나 이상의 결함 영역을 포함하지 않을 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작은: 적어도 하나의 결함 영역이 패치의 중심에 포함되도록, 상기 결함 패치를 추출하는 동작; 상기 적어도 하나의 결함 영역이 패치의 경계에 포함되도록, 상기 결함 패치를 추출하는 동작; 사전 결정된 영역 개수 이상의 결함 영역이 패치에 포함되도록, 상기 결함 패치를 추출하는 동작; 또는 사전 결정된 연속 개수 이상의 나란히 배치된 결함 영역이 패치에 포함되도록, 상기 결함 패치를 추출하는 동작; 중 적어도 하나의 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 패치를 전처리하는 동작; 을 더 포함하고, 그리고 상기 학습 데이터 세트는 상기 전처리된 결함 패치를 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은: 상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지에 포함된, 노이즈를 제거하는 동작; 상기 전처리 대상 이미지에 포함된, 사전 결정된 크기 미만의 피쳐를 제거하는 동작; 상기 전처리 대상 이미지에 포함된, 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인 경우, 상기 둘 이상의 피쳐들 사이의 갭(gap)을 제거하는 동작; 또는 상기 전처리 대상 이미지에 포함된, 피쳐의 경계를 스무딩(smoothing)하는 동작 중 적어도 하나의 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은: 상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리(binary) 이미지로 변환하는 동작; 상기 바이너리 이미지에 포함된 바이너리 값을 인버스(inverse)하여 인버스된 이미지를 획득하는 동작; 상기 인버스된 이미지를 오프닝(opening)하여 오프닝된 이미지를 획득하는 동작; 및 상기 인버스된 이미지 및 상기 오프닝된 이미지의 차이 값을 포함하는 전처리된 이미지를 획득하는 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 인버스된 이미지를 오프닝하여 오프닝된 이미지를 획득하는 동작은, 상기 인버스된 이미지에 포함된 사전 결정된 크기 미만의 피쳐를 제거하는 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은: 상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리 이미지로 변환하는 동작;상기 바이너리 이미지를 클로징(closing)하여 클로징된 이미지를 획득하는 동작; 상기 바이너리 이미지 및 상기 클로징된 이미지의 차이 값을 포함하는 디프런셜(differential) 이미지를 획득하는 동작; 및 상기 디프런셜 이미지에 포함된 바이너리 값을 인버스하여 전처리된 이미지를 획득하는 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하는 동작은: 상기 바이너리 이미지에 포함된 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인 경우, 상기 둘 이상의 피쳐들 사이의 갭을 제거하는 동작; 또는 상기 바이너리 이미지에 포함된 피쳐의 경계를 스무딩하는 동작; 중 적어도 하나의 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 학습 데이터 세트에 포함된 결함 패치 개수 및 정상 패치 개수의 비율은 사전 결정된 균형 비율에 의해 결정될 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작은, 패치 크기 별로 각각 상이한 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 분류 대상 이미지로부터 하나 이상의 패치를 추출하는 동작; 상기 하나 이상의 패치 각각을 상기 학습된 뉴럴 네트워크 모델을 이용하여 연산하여, 결함 또는 정상 패치로 분류하는 동작; 및 상기 하나 이상의 패치 중 사전 결정된 개수 이상의 패치가 결함 패치로 분류된 경우, 상기 분류 대상 이미지에 결함이 포함된 것으로 결정하는 동작을 더 포함할 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 결함 이미지 및 상기 정상 이미지는: 제조 공정 완료 후 제조물을 촬영한 이미지; 또는 제조 공정 중 제조물을 촬영한 이미지 중 적어도 하나일 수 있다.
결함 검출을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제조 공정 중 획득된 이미지를 상기 학습된 뉴럴 네트워크 모델이 연산하는 동작; 상기 제조 공정 중 획득된 이미지에 결함이 포함된 것으로 판단되는 경우, 상기 제조 공정 중 획득된 이미지에 기초하여 추가적인 결함 패치를 추출하는 동작; 및 상기 추가적인 결함 패치를 상기 학습 데이터 세트에 추가하는 동작을 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 결함 검출 방법으로서, 상기 방법은 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 단계; 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 단계; 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 단계; 및 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 결함 검출 서버로서, 상기 서버는 하나 이상의 코어를 포함하는 프로세서; 및 메모리; 를 포함하고, 상기 프로세서는, 결함이 포함된 결함 이미지로부터 결함 패치를 추출하고, 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하고, 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하고, 그리고 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시킬 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은: 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 단계; 상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 단계; 상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 단계; 및 상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 결함 검출 방법이 제공될 수 있다.
도 1은 본 개시의 일 실시예에 따라 결함 검출 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 생성하는 방법을 예시적으로 도시한 순서도이다.
도 3은 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 연산하는 방법을 예시적으로 도시한 순서도이다.
도 4는 본 개시의 일 실시예에 따라 결함 검출을 위해 이미지에서 패치를 추출하는 방법을 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 결함 검출을 위한 전처리 방법을 예시적으로 도시한 순서도이다.
도 6은 본 개시의 일 실시예에 결함 검출을 위한 전처리 방법을 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따라 이미지 변환 방법을 예시적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따라 결함 검출을 위한 하나 이상의 모델의 학습 방법을 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따라 하나 이상의 모델을 이용한 결함 검출 방법을 도시한 도면이다.
도 10은 본 개시의 일 실시예에 따라 추가 학습 데이터를 생성하는 방법을 도시한 순서도이다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 생성하는 방법을 예시적으로 도시한 순서도이다.
도 3은 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 연산하는 방법을 예시적으로 도시한 순서도이다.
도 4는 본 개시의 일 실시예에 따라 결함 검출을 위해 이미지에서 패치를 추출하는 방법을 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 결함 검출을 위한 전처리 방법을 예시적으로 도시한 순서도이다.
도 6은 본 개시의 일 실시예에 결함 검출을 위한 전처리 방법을 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따라 이미지 변환 방법을 예시적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따라 결함 검출을 위한 하나 이상의 모델의 학습 방법을 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따라 하나 이상의 모델을 이용한 결함 검출 방법을 도시한 도면이다.
도 10은 본 개시의 일 실시예에 따라 추가 학습 데이터를 생성하는 방법을 도시한 순서도이다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 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(procedure), 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 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 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 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 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 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 서버는 임의의 형태의 컴퓨팅 장치를 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
도 1은 본 개시의 일 실시예에 따라 결함 검출 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
제조 산업의 발전에 따라 제조 공정에서 검출되는 제조물의 결함이 상당히 감소하였다. 결과적으로 결함이 있는 이미지(즉, 결함 이미지)는 결함이 없는 이미지(즉, 정상 이미지) 보다 획득하기가 어려워졌다. 일반적인 학습 데이터 세트는 정상 데이터와 비정상 데이터들의 개수가 비례하여, 균형을 유지하고 있다. 다만, 제조 산업의 경우 최근 결함 이미지를 획득하는 것이 어려워지면서, 학습 데이터 세트에는 결함 이미지 보다 정상 이미지의 개수가 더 많은 경우가 발생한다. 제조 산업에서 획득된 이미지에 대한 정제 없이, 불균형한 개수의 정상 및 비정상 데이터를 포함하는 학습 데이터 세트로 뉴럴 네트워크를 학습시키는 경우, 학습 능력이 왜곡될 수 있다. 더욱이, 결함이 있는 결함 이미지의 경우에도, 이미지의 많은 부분은 결함과 관련성이 없는 부분이며, 오직 작은 부분만이 결함과 관련성이 있는 부분일 수 있다. 즉, 결함의 크기가 작으므로 결함 이미지 내에서 결함에 해당하는 픽셀은 매우 작은 부분일 수 있다. 따라서, 제조 환경에서 수집된 데이터 세트(예를 들어, 이미지 세트)는 일반적으로 뉴럴 네트워크 학습에 사용되는 데이터 세트와 비교했을 때, 상이한 성질을 가질 수 있다. 분류된 이미지 간(예를 들어, 결함 이미지 및 정상 이미지로의 분류)의 불균형 문제로 인해 딥러닝 알고리즘/뉴럴 네트워크 모델의 학습이 더 어려워질 수 있다.
좋은 품질의 학습 데이터 세트를 구축하는 것은 제조 생산성과 관련이 있다. 좋은 품질의 학습 데이터 세트를 구축하기 위해서는 제조 환경이 제어된 상태에서 데이터를 수집할 필요가 있으나, 이는 제조 공정에 영향을 미칠 수 있다. 제조업체들은 공정에 소요되는 시간을 증가시키거나 또는 지연시키고 싶지 않아 할 수 있다. 제조업체들은 공정 소요 시간 등의 문제로, 제조 환경이 제어된 상태에서 공정 전체에 걸쳐서 데이터를 수집하는 것을 기피할 수 있다. 제조업체들은 제조 환경이 제어되지 않은 상태에서, 공정이 완료된 이후에 데이터를 수집하거나, 또는 캡쳐하여 데이터 세트를 생성하는 것을 선호할 수 있다. 다만, 제어되지 않은 환경에서 수집된 데이터(또는 이미지)를 기반으로 학습 데이터 세트를 생성하는 경우, 데이터 세트의 품질에 큰 영향을 줄 수 있다.
본 개시의 결함 검출 방법에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 가출원 특허 US 62/869,919 에서 또한 논의된다.
도 2는 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 생성하는 방법을 예시적으로 도시한 순서도이다. 도 2의 순서도는 결함 검출을 위해 뉴럴 네트워크 모델을 학습시키는 과정을 나타낸 것일 수 있다.
프로세서(120)는 이미지들을 획득(210)할 수 있다. 이미지들은 정상 이미지(230) 및 결함 이미지(220)를 포함할 수 있다. 프로세서(120)는 제조 이미지인 정상 이미지 및 결함 이미지를 획득할 수 있다. 프로세서(120)는 획득된 이미지들을 정상 이미지(230) 및 결함 이미지(220)로 각각 분류할 수 있다. 정상 이미지 및 결함 이미지 각각은 제조 공정에서 획득된 이미지일 수 있다. 정상 이미지 및 결함 이미지 각각은 제조 공정 완료 후 제조물을 촬영한 이미지일 수 있다. 또는, 정상 이미지 및 결함 이미지 각각은 제조 공정 중 제조물을 촬영한 이미지일 수 있다.
결함 이미지는 결함이 포함된 이미지일 수 있다. 결함 이미지의 적어도 일부의 영역은 결함과 관련된 영역일 수 있다. 결함 이미지의 적어도 일부의 픽셀은 결함과 관련된 픽셀일 수 있다. 결함 이미지는 결함이 있는 제조물을 촬영한 이미지일 수 있다.
결함 이미지는 사전에 하나 이상의 결함 영역이 라벨링 되어 있을 수 있다. 결함 영역은 결함과 관련이 있는 이미지의 적어도 일부의 영역일 수 있다. 예를 들어, 결함 영역은 결함과 관련된 픽셀, 결함과 관련된 하나 이상의 픽셀들의 집합일 수 있다. 예를 들어, 결함 영역은 결함이 있는 제조물을 촬영한 이미지에서, 해당 결함에 관한 픽셀일 수 있다. 즉, 영역은 픽셀 단위를 의미할 수도 있고, 또는 하나 이상의 픽셀들의 집합일 수도 있다. 결함 영역에 대한 라벨링은 결함 영역을 표시하는 것일 수 있다. 결함 영역에 대한 라벨링은 예를 들어, 이미지에 포함된 일부 영역에 대한 마스킹(예를 들어, 하이라이트 처리(highlighted), 선택 처리(selected))일 수 있다. 결함 이미지에 포함된 픽셀들 각각은 결함 또는 정상으로 라벨링 되어 있을 수 있다. 라벨링은 이미지에 포함된 픽셀들 중 어느 픽셀이 결함과 관련이 있는지에 관한 정보를 포함할 수 있다. 라벨링은 이미지에 포함된 픽셀들 중 어느 픽셀이 결함과 관련이 없는지에 관한 정보를 포함할 수 있다. 전술한 결함 영역에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
정상 이미지는 결함이 포함되지 않은 이미지일 수 있다. 정상 이미지는 결함이 없는 제조물을 촬영한 이미지일 수 있다.
결함은 제조 환경에서 발생할 수 있는 임의의 비정상 상태를 포함할 수 있다. 결함은 제조물에 발생할 수 있는 임의의 비정상 상태를 포함할 수 있다. 예를 들어, 결함은 크랙, 넥킹 등을 포함할 수 있다. 크랙은 제조물의 표면이 갈라지는 현상을 의미할 수 있다. 넥킹은 균일하지 않은 제조물에 나타나는 현상일 수 있다. 넥킹은 제조물의 일부가 늘어나고 그리고 일부가 늘어나지 않은 경우, 늘어난 곳과 늘어나지 않은 곳의 경계에 잘록한 부분이 형성되는 것을 의미할 수 있다. 크랙은 사람이 육안으로 제조물을 검사하는 경우에 일부 검출이 가능할 수 있다. 다만, 사람이 육안으로 제조물 또는 제조물을 촬영한 이미지로부터 모든 크랙을 검출하는 것은 불가능하며, 세밀한 크랙은 사람이 육안으로 검출하지 못하는 경우가 많다. 넥킹은 사람이 육안으로 제조물 또는 제조물을 촬영한 이미지를 검사하는 경우에 검출 확률이 매우 낮다. 따라서, 사람이 검출하기 힘든 결함까지도 정확하게 검출할 수 있는 방법에 대한 당업계의 요구가 존재한다. 전술한 결함에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
제조물은 제조 공정 중에 획득되거나 또는 제조 공정 완료 후에 획득될 수 있다. 예를 들어, 차량을 제조하기 위한 공정에서, 제조물은 차량을 생산하기 위한 재료, 일 부품, 또는 완성된 차량일 수도 있다. 예를 들어, 제조물은 강철, 알루미늄 등으로 구성된 패널인 재료일 수 있다. 전술한 제조물에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 정상 이미지 및 결함 이미지로부터 패치를 생성/추출할 수 있다. 프로세서(120)는 결함 이미지로부터 결함 패치를 추출(214)할 수 있다. 프로세서(120)는 정상 이미지 또는 결함 이미지 중 적어도 하나로부터 정상 패치를 추출할 수 있다.
패치는 이미지로부터 추출된 이미지의 적어도 일부의 영역일 수 있다. 패치는 이미지로부터 추출된 하나 이상의 픽셀들의 집합일 수 있다. 프로세서(120)는 이미지로부터 사전 결정된 크기로 패치를 추출할 수 있다. 동일한 학습 데이터 세트에 포함되는 하나 이상의 패치의 크기는 동일할 수 있다. 동일한 뉴럴 네트워크 모델을 학습시키기 위한 하나 이상의 패치의 크기는 동일할 수 있다.
결함 패치는 결함 이미지로부터 추출된 패치일 수 있다. 결함 패치는 결함 이미지로부터 추출된 사전 결정된 크기의 패치일 수 있다. 결함 패치는 결함 이미지에 포함된 적어도 하나의 결함 영역을 포함할 수 있다. 결함 이미지는 하나 이상의 결함 영역을 포함할 수 있다. 예를 들어, 결함 이미지는 하나 이상의 결함 픽셀을 포함할 수 있다. 결함 패치는 적어도 하나의 결함 픽셀을 포함할 수 있다. 결함 패치는 결함 픽셀 및 결함 픽셀 주위 픽셀들을 포함할 수 있다.
프로세서(120)는 결함 이미지에 포함된 적어도 하나의 결함 영역이 패치의 중심에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 영역이 패치의 중심 픽셀에 위치하도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 영역에 포함된 하나 이상의 픽셀 중 일부의 픽셀이 패치의 중심 픽셀과 사전결정된 거리 이내에 위치하도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 결함과 관련된 픽셀이 패치의 중심 픽셀이 되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 라벨링된 하나 이상의 결함 픽셀 중 적어도 하나의 결함 픽셀, 또는 하나 이상의 결함 픽셀들의 집합이 결함 패치의 중심에 위치하도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 결함 영역의 중심부가 결함 패치의 중심부에 위치하도록 결함 패치를 추출할 수 있다. 예를 들어, 결함 영역의 중심부는 무게중심, 결함 영역의 내심 등일 수 있으나 본 개시는 이에 제한되지 않는다. 본 개시에서 중심부는 일정한 영역의 중심이 되는 픽셀로부터 사전결정된 거리 이내의 픽셀 영역을 의미할 수 있다.
프로세서(120)는 결함 이미지에 포함된 적어도 하나의 결함 영역이 패치의 경계에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 하나 이상의 결함 픽셀 중 적어도 하나의 결함 픽셀이 패치의 경계에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 라벨링된 하나 이상의 결함 픽셀 중 적어도 하나의 결함 픽셀, 또는 하나 이상의 결함 픽셀들의 집합이 결함 패치의 경계에 위치하도록 결함 패치를 추출할 수 있다. 예를 들어, 프로세서(120)는 결함 영역의 중심부 또는 경계부가 패치의 경계에 포함되도록 할 수 있다. 본 개시에서 경계부는 이미지의 가장자리로부터 사전결정된 거리 이내의 픽셀 영역을 의미할 수 있다.
프로세서(120)는 결함 이미지에 포함된 사전 결정된 영역 개수 이상의 결함 영역이 패치에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 하나 이상의 결함 픽셀 중 사전 결정된 개수 이상의 결함 픽셀이 패치에 포함되도록 결함 패치를 추출할 수 있다. 예를 들어, 프로세서(120)는 5개 이상의 결함과 관련된 픽셀이 패치에 포함되도록 결함 패치를 추출할 수 있다. 전술한 결함 패치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이제 제한되지 않는다.
프로세서(120)는 결함 이미지에 포함된 사전 결정된 연속 개수 이상의 나란히 배치된 결함 영역이 패치에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 사전 결정된 개수 이상의 연속적으로 나란히 배치된 결함 픽셀들이 패치에 포함되도록 결함 패치를 추출할 수 있다. 프로세서(120)는 결함 이미지에 포함된 하나 이상의 픽셀들 중 연속적으로 나란히 배치된 3개 이상의 픽셀들의 집합이 패치에 포함되도록 결함 패치를 추출할 수 있다. 전술한 결함 패치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이제 제한되지 않는다.
프로세서(120)는 결함 이미지 및 정상 이미지 각각을 전처리(240)할 수 있다. 프로세서(120)는 결함 패치를 추출한 이후의 결함 이미지를 전처리할 수 있다. 프로세서(120)는 결함 이미지에서 결함 패치를 추출하고 남은 나머지 영역들을 전처리할 수 있다. 전처리 방법에 관하여 도 5 내지 도 7을 참조하여 후술하여 설명한다. 또는, 프로세서(120)는 결함 패치에 대해서도 전처리를 수행할 수 있다.
프로세서(120)는 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출(250)할 수 있다. 프로세서(120)는 결함 패치를 추출하고 남은 나머지 영역들을 전처리한 이미지로부터 정상 패치를 추출할 수 있다. 프로세서(120)는 정상 이미지를 전처리한 이후 정상 패치를 추출할 수 있다. 정상 패치는 결함 이미지에 포함된 하나 이상의 결함 영역을 포함하지 않을 수 있다. 예를 들어, 정상 패치는 결함 이미지에 포함된 결함 픽셀을 포함하지 않는 영역일 수 있다. 정상 패치는 정상 이미지로부터 추출된 패치일 수 있다. 정상 패치는 결함 픽셀이 아닌 정상 픽셀들을 포함할 수 있다. 또는, 정상 패치는 중심에 정상 픽셀을 포함할 수 있고, 그리고 중심의 정상 픽셀과 그 주위의 픽셀들을 포함할 수 있다. 전술한 패치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
정상 이미지 및 결함 이미지 각각은 하나 이상의 패치들로 분리될 수 있다.
*프로세서(120)는 이미지들로부터 추출된 하나 이상의 패치들 중 적어도 일부의 패치들을 이용하여 학습 데이터 세트를 구성(260)할 수 있다. 프로세서(120)는 결함 이미지로부터 추출된 결함 패치를 포함하도록 학습 데이터 세트를 구성할 수 있다. 프로세서(120)는 전처리된 결함 패치를 포함하도록 학습 데이터 세트를 구성할 수도 있다. 결함 패치에 대한 전처리 방법은 이미지에 대한 전처리 방법과 동일할 수 있다. 프로세서(120)는 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 추출된 정상 패치를 포함하도록 학습 데이터 세트를 구성할 수 있다.
학습 데이터 세트는 뉴럴 네트워크 모델의 학습을 위해 사용되는 데이터들의 집합일 수 있다. 학습 데이터 세트는 하나 이상의 학습 데이터를 포함할 수 있다. 학습 데이터는 뉴럴 네트워크의 입력이 되는 이미지 및 이미지의 분류 결과를 포함할 수 있다. 또는, 학습 데이터는 뉴럴 네트워크의 입력이 되는 패치 및 패치의 분류 결과를 포함할 수 있다. 학습 데이터 세트로 학습된 뉴럴 네트워크 모델은 이미지를 분류할 수 있다. 학습 데이터 세트로 학습된 뉴럴 네트워크 모델은 이미지를 정상 이미지 또는 결함 이미지로 분류할 수 있다. 학습 데이터 세트는 뉴럴 네트워크가 결함을 검출할 수 있도록 결함 이미지 또는 결함 패치를 포함할 수 있다. 학습 데이터 세트는 뉴럴 네트워크가 결함을 검출할 수 있도록 정상 이미지 또는 정상 패치를 포함할 수 있다. 학습 데이터 세트는 예를 들어, 수만개의 이미지 또는 패치를 포함할 수 있다. 학습 데이터 세트는 예를 들어, MNIST(Modified National Institute of Standards and Technology database) 데이터 세트, CIFAR-10(Canadian Institute For Advanced Research-10) 데이터 세트, ImageNet 데이터 세트일 수 있다. 학습 데이터 세트는 클래스 별로 균형 잡힌(well-balanced) 개수의 학습 데이터를 포함할 수 있다. 전술한 학습 데이터 세트에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
학습 데이터 세트는 이미지의 분류를 위해, 분류 클래스 별 균형 잡힌 개수의 학습 데이터를 포함할 수 있다. 학습 데이터 세트에 포함된 결함 패치 개수 및 정상 패치 개수의 비율은 사전 결정된 균형 비율에 의해 결정될 수 있다. 사전 결정된 균형 비율은 뉴럴 네트워크 모델의 분류 성능을 향상시키기 위한 최적화된 비율일 수 있다. 예를 들어, 사전 결정된 비율은, 정상 패치 및 비정상 패치 각각에 대해서 1 대 1일 수 있다. 예를 들어, 학습 데이터 세트는 각각 동일한 개수의 정상 패치 및 비정상 패치를 포함할 수 있다. 전술한 학습 데이터 세트에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
전술한 바와 같이 둘 이상의 클래스들 각각에 대응되는 학습 데이터의 개수가 불균형한 경우, 학습 능률에 심각한 문제가 있을 수 있다. 정상 이미지 및 결함 이미지를 이용하여 학습 데이터 세트를 구축하는 것 대신, 정상 패치 및 결함 패치를 이용하여 학습 데이터 세트를 구축함으로써, 복수의 결함 패치들을 획득할 수 있다. 즉, 결함 이미지를 이용하여 학습 데이터 세트를 구축하는 경우 보다, 결함 패치들을 이용하여 학습 데이터 세트를 구축하는 경우, 결함 클래스와 관련된 학습 데이터들을 더 많이 포함할 수 있다. 따라서, 이미지 대신 패치들을 이용하여 학습 데이터 세트를 구축하는 경우, 클래스 간의 불균형 문제를 해소할 수 있다.
프로세서(120)는 학습 데이터 세트를 이용하여 뉴럴 네트워크 모델을 학습(270)시킬 수 있다.
본 개시의 뉴럴 네트워크 모델은 교사 학습 모델로 구성될 수 있다. 교사 학습 모델로 구성되는 본 개시의 실시예에서, 교사 학습 모델은 정상 패치 또는 비정상 패치를 입력으로 받고 출력으로 정상 패치 또는 비정상 패치에 대한 결함 여부를 출력할 수 있다. 교사 학습 모델은 학습 데이터 세트에 포함된 학습 정상 패치, 학습 비정상 패치 및 이들에 라벨링된 결함 여부를 이용하여 학습될 수 있다.
본 개시의 뉴럴 네트워크 모델은 비교사 학습 모델로 구성될 수 있다. 비교사 학습 모델은 입력 데이터를 클러스터링 할 수 있는 모델을 포함할 수 있다. 비교사 학습 모델은 예를 들어, 입력 데이터를 복원하는 뉴럴 네트워크로 구성된 모델일 수 있다. 비교사 학습 모델은 예를 들어, 오토인코더를 포함할 수 있다. 비교사 학습 모델은 학습 정상 패치 또는 비정상 패치, 및 학습 입력 데이터에 매칭된 결함 여부를 이용하여 학습될 수 있다.
본 개시의 뉴럴 네트워크 모델의 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.
이미지의 결함 여부의 판단을 위하여 결함 임계 개수가 결정(280)될 수 있다. 결함 임계 개수는 이미지를 결함 이미지로 결정하기 위한, 하나의 이미지에 포함된 결함 패치의 임계 개수일 수 있다. 추론 단계에서, 하나의 이미지에 포함된 복수의 패치들 중 결함 임계 개수 이상 패치가 결함 패치인 경우, 프로세서(120)는 해당 이미지를 결함 이미지로 결정할 수 있다. 예를 들어, 결함 임계 개수가 5개이고, 이미지로부터 분리된 복수의 패치들 중 결함 패치가 5개 이상인 경우, 프로세서(120)는 해당 이미지를 결함 이미지로 결정할 수 있다. 또는, 프로세서(120)는 하나의 이미지에 포함된 복수의 패치들 중 결함 임계 개수 미만의 패치가 결함 패치인 경우, 프로세서(120)는 해당 이미지를 정상 이미지로 결정할 수 있다. 전술한 결함 임계 개수에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 결함 임계 개수는 학습된 뉴럴 네트워크 모델에 의해 결정될 수 있다. 프로세서(120)는 학습 데이터 세트 및 학습된 뉴럴 네트워크 모델에 의해 결함 임계 개수를 결정할 수 있다. 프로세서(120)는 하나 이상의 결함 이미지를 각각 학습된 뉴럴 네트워크 모델을 이용하여 연산할 수 있다. 프로세서(120)는 학습된 뉴럴 네트워크 모델에서 하나 이상의 결함 이미지 각각에 대해 결함 패치로 결정된 패치의 개수를 확인할 수 있다. 프로세서(120)는 결함 이미지들에 포함된 결함 패치의 개수를 기초로 결함 임계 개수를 결정할 수 있다. 프로세서(120)는 예를 들어, 결함 이미지에 포함된 결함 패치의 최소 개수를 결함 임계 개수로 결정할 수 있다. 예를 들어, 프로세서(120)는 학습된 뉴럴 네트워크 모델을 이용하여 연산하여 복수의 결함 이미지들에 포함된 결함 패치를 각각 5, 7, 10, 6, 13개 로 결정할 수 있다. 프로세서(120)는 상기 결과를 기초로 결함 패치의 개수가 최소 5개 포함된 이미지의 경우 결함 이미지로 결정할 수 있다. 프로세서(120)는 결함 임계 개수를 5개로 결정할 수 있다. 전술한 결함 임계 개수에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 학습된 뉴럴 네트워크 모델의 추론 방법에 관하여 설명한다. 도 3은 본 개시의 일 실시예에 따라 결함 검출을 위해 모델을 연산하는 방법을 예시적으로 도시한 순서도이다.
프로세서(120)는 분류 대상 이미지를 수신(810)할 수 있다. 분류 대상 이미지는 정상 또는 결함에 대한 정보가 없는 이미지일 수 있다. 분류 대상 이미지는 뉴럴 네트워크 모델을 이용하여 정상 또는 결함에 대한 판단이 필요한 이미지일 수 있다. 분류 대상 이미지는 제조 공정과 관련하여 획득된 이미지일 수 있다. 분류 대상 이미지는 제조 공정과 관련하여 제조물을 촬영한 이미지일 수 있다. 분류 대상 이미지는 제조 공정 완료 후, 또는 제조 공정 중 제조물을 촬영한 이미지일 수 있다.
프로세서(120)는 분류 대상 이미지를 전처리(820)할 수 있다. 추론 과정에서의 분류 대상 이미지에 대한 전처리와 학습 데이터에 포함된 이미지에 대한 전처리는 유사한 방법으로 수행될 수 있다.
프로세서(120)는 분류 대상 이미지로부터 하나 이상의 패치들을 추출(830)할 수 있다. 프로세서(120)는 분류 대상 이미지로부터 사전 결정된 크기의 패치들을 추출할 수 있다.
프로세서(120)는 하나 이상의 패치들을 학습된 뉴럴 네트워크 모델을 이용하여 연산(840)할 수 있다. 프로세서(120)는 하나 이상의 패치들 각각을 학습된 뉴럴 네트워크 모델을 이용하여 정상 또는 결함으로 분류할 수 있다. 프로세서(120)는 패치에 적어도 하나의 결함 영역이 포함되어 있을 경우, 패치를 결함 패치로 결정할 수 있다. 프로세서(120)는 패치의 중심 영역이 결함 영역인 경우, 패치를 결함 패치로 결정할 수 있다. 프로세서(120)는 패치의 경계 영역이 결함 영역인 경우, 패치를 결함 패치로 결정할 수 있다. 프로세서(120)는 패치에 포함된 사전 결정된 개수 이상의 영역이 결함 영역인 경우, 패치를 결함 패치로 결정할 수 있다. 프로세서(120)는 패치에 포함된 사전 결정된 연속 개수 이상의 나란히 배치된 영역이 결함 영역인 경우, 패치를 결함 패치로 결정할 수 있다.
프로세서(120)는 하나의 분류 대상 이미지로부터 추출된 복수의 패치들에 대한 정상 또는 결함 분류 결과를 이용하여 분류 대상 이미지의 결함 여부를 결정(850)할 수 있다. 프로세서(120)는 복수의 패치들에 대한 정상 또는 결함 분류 결과를 종합하여, 하나의 분류 대상 이미지의 결함 여부를 결정할 수 있다. 프로세서(120)는 분류 대상 이미지로부터 추출된 패치들 중, 결함 임계 개수 이상의 패치들이 결함 패치로 결정된 경우, 분류 대상 이미지를 결함이 포함된 결함 이미지로 결정할 수 있다. 또는, 프로세서(120)는 분류 대상 이미지로부터 추출된 패치들 중, 결함 임계 개수 미만의 패치들이 결함 패치로 결정된 경우, 분류 대상 이미지를 결함이 포함되지 않은 정상 이미지로 결정할 수 있다. 예를 들어, 결함 임계 개수가 5개이고, 뉴럴 네트워크 모델이 분류 대상 이미지로부터 추출된 패치들 중 6개의 패치를 결함 패치로 결정한 경우, 분류 대상 이미지는 결함 이미지로 결정될 수 있다. 전술한 추론 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예에 따라 결함 검출을 위해 이미지에서 패치를 추출하는 방법을 예시적으로 도시한 도면이다. 도 4는 원본 이미지(300), 원본 이미지로부터 패치를 추출하기 위한 일부 영역(310) 및 원본 이미지로부터 추출된 패치(320)를 예시적으로 도시한다. 패치는 다양한 크기일 수 있다. 본 개시의 일 실시예에 따라, 패치의 크기는 사람에 의해 결정될 수 있다. 또는, 패치의 크기는 컴퓨팅 장치의 연산에 의해 결정될 수 있다. 패치의 크기는 뉴럴 네트워크 모델의 하이퍼 파라미터(또는, 프리 파라미터(free parameter))와 연관될 수 있다. 일반적으로, 패치의 크기가 너무 작으면, 결함과 관련한 정보를 담기에 충분하지 않을 수 있다. 그리고, 패치의 크기가 너무 크면, 뉴럴 네트워크 모델의 학습 및 추론에 시간, 비용 또는 컴퓨팅 파워의 소모가 너무 클 수 있다. 또한, 패치의 크기가 너무 크면, 하나의 이미지에서 추출될 수 있는 패치의 개수가 너무 적어서, 충분한 학습 데이터를 획득하는데 어려움이 있을 수 있다.
이하에서는 도 5, 도 6 및 도 7을 참조하여 이미지 또는 패치를 전처리하는 방법에 관하여 설명한다. 도 5 내지 도 7은 본 개시의 일 실시예에 따라 결함 검출을 위한 전처리 방법을 예시적으로 도시한 도면이다.
전처리(240)는 4개의 단계로 구성될 수 있다. 본 개시의 일 실시예에 따른 전처리(240)는 이미지에 대한 임계처리(thresholding) 단계, 인버스(inverse) 단계, 오프닝(opening) 단계 및 차이 연산(differential) 단계를 포함할 수 있다.
프로세서(120)는 원본 이미지 X(242)에 임계처리를 할 수 있다. 프로세서(120)는 원본 이미지 X(242)에 임계처리를 하여, 바이너리 이미지 X'(244)을 생성할 수 있다. 이미지에 대한 임계처리는 이미지를 바이너리화(binary, 이진화) 하는 방법일 수 있다. 바이너리 이미지는 이미지를 두가지의 클래스로 표시(two class classification)한 이미지일 수 있다. 예를 들어, 바이너리 이미지는 이미지의 각각의 픽셀을 일정한 기준에 따라서 분류하여 나타낸 이미지 일 수 있다. 예를 들어, 바이너리 이미지는 이미지를 흑 또는 백으로 표시한 이미지일 수 있다. 예를 들어, 바이너리 이미지는 이미지에 포함된 픽셀 값을 0 또는 1로 설정한 이미지일 수 있다. 프로세서(120)는 이미지의 픽셀 값과 사전 결정된 임계 값을 비교할 수 있다. 프로세서(120)는 사전 결정된 임계 값 이상의 픽셀 값을 가지는 픽셀을 제 1 클래스로 분류할 수 있다. 프로세서(120)는 사전 결정된 임계 값 미만의 픽셀 값을 가지는 픽셀을 제 2 클래스로 분류할 수 있다. 제 1 클래스와 제 2 클래스는 예를 들어, 값이 0 또는 1이거나, 색상이 흑 또는 백일 수 있다. 이미지에 대한 임계처리는 예를 들어, 전역 고정 이진화(Global fixed thresholding), 지역 가변 이진화(Locally adaptive thresholding), 히스테레시스 이진화(Hysteresis thresholding)를 포함할 수 있다. 예를 들어, 프로세서(120)는 회색조(greyscale)의 이미지에 임계처리를 하여 흑백의 바이너리 이미지를 생성할 수 있다. 예를 들어, 원본 이미지 X(242)는 회색조의 이미지일 수 있다. 전술한 이미지 임계 처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이미지 X'(244)는 바이너리 이미지일 수 있다. 이미지 X'(244)는 두개의 값으로 표시되는 이미지일 수 있다. 예를 들어, 이미지 X'(244)에 포함된 픽셀들은 검정색(8 비트 색상 표현에서 0으로 표시) 또는 흰색(8 비트 색상 표현에서 255로 표시)으로 표시될 수 있다. 전술한 바와 같이, 이미지 X'(244)는 검정, 흰색 이외의 다른 2개의 클래스로도 표현될 수 있다.
프로세서(120)는 바이너리 이미지 X'(244)를 인버스 할 수 있다. 프로세서(120)는 바이너리 이미지 X'(244)를 인버스 하여, 인버스 된 이미지 X''(246)을 생성할 수 있다. 바이너리 이미지에 대한 인버스는, 바이너리 이미지에 포함된 바이너리 값을 역전하는 것일 수 있다. 바이너리 이미지에 대한 인버스는, 바이너리 이미지의 픽셀들의 클래스들을 역전하는 것일 수 있다. 예를 들어, 프로세서(120)는 바이너리 이미지에 포함된 픽셀 값을 0에서 1로 변환하고, 그리고 1에서 0으로 변환할 수 있다. 예를 들어, 프로세서(120)는 바이너리 이미지에 포함된 픽셀의 색상을 흰색에서 검정색으로 변환하고, 그리고 검정색에서 흰색으로 변환할 수 있다.
프로세서(120)는 인버스 된 이미지 X''(246)를 오프닝할 수 있다. 프로세서(120)는 인버스 된 이미지 X''(246)를 오프닝하여 오프닝된 이미지 X'''(248)를 생성할 수 있다. 오프닝 연산에 관하여 설명하기 위하여 우선, 부식(erosion) 및 팽창(dilation)에 관하여 설명한다.
부식 및 팽창은 이미지에 수행되는 연산일 수 있다. 부식 및 팽창 연산에 관하여 이하에서는 도 7을 참조하여 설명한다. 부식 및 팽창 연산은 바이너리 이미지에 수행될 수 있다. 부식 및 팽창 연산은 바이너리 이미지 및 커널과 관련될 수 있다. 커널은 행렬의 크기일 수 있다. 커널은 예를 들어, 사각형 또는 원형일 수 있다. 바이너리 이미지 및 커널은 픽셀 매트릭스(matrix)로 표현될 수 있다. 바이너리 이미지는 예를 들어, 800 * 600 픽셀 매트릭스, 200 * 300 픽셀 매트릭스 등일 수 있다. 커널은 예를 들어, 5 * 5 픽셀 매트릭스, 15 * 15 픽셀 매트릭스 등일 수 있다. 커널은 부식 또는 팽창 연산을 수행하기 위하여 컨벌루션(convolution) 작업과 유사하게, 바이너리 이미지 상에서 슬라이딩(sliding) 할 수 있다. 도 7을 참조하면, 8 * 8 픽셀 매트릭스의 바이너리 이미지(701) 및 3 * 3 픽셀 매트릭스의 커널(710)이 도시되어 있다. 도 7은 부식 연산의 일 실시예를 도시한 도면이다. 부식은 커널(710)의 범위 내에서 이루어 지는 작업일 수 있다. 부식 연산은 예를 들어, 커널(710) 9칸의 픽셀 값이 모두 1이면, 9칸의 픽셀 값을 그대로 1로 이미지에 기록하는 연산일 수 있다. 예를 들어, 프로세서(120)는 커널(710) 9칸의 픽셀 값 중 적어도 하나가 0이면, 9칸의 픽셀 값을 모두 0으로 이미지에 기록할 수 있다. 또는, 예를 들어, 커널(710) 9칸의 픽셀 값 중 적어도 하나가 0이면, 9칸 중 중심 픽셀 값을 0으로 이미지에 기록할 수도 있다. 예를 들어, 도 7의 제 1 이미지(701)의 커널(710) 9칸의 픽셀 값 중 0이 6개가 포함되어 있으므로, 프로세서(120)는 9칸의 픽셀 값을 모두 0으로 기록하여 제 2 이미지(702)를 생성할 수 있다. 제 3 이미지(703)의 커널(710) 9칸의 픽셀 값이 모두 1이므로, 프로세서(120)는 9칸의 픽셀 값을 그대로 1로 기록하여 제 4 이미지(704)를 생성할 수 있다. 프로세서(120)는 제 5 이미지(705)의 커널(710) 9칸의 픽셀 값도 모두 0으로 표시하여 제 6 이미지(706)를 생성할 수 있다. 프로세서(120)는 이미지에 대해 부식 연산을 반복하여 최종 이미지(707)를 출력할 수 있다. 최종 이미지(707)는 제 1 이미지(701)에 대해 부식 연산을 반복하여, 1의 범위가 작아진 이미지이다. 팽창 연산은 부식 연산과 반대의 연산일 수 있다. 팽창 연산은 예를 들어, 커널(710) 9칸의 픽셀 값 중 적어도 하나가 1이면, 9칸의 픽셀 값을 모두 1로 이미지에 기록하는 연산일 수 있다. 또는, 예를 들어, 커널(710) 9칸의 픽셀 값 중 적어도 하나가 1이면, 9칸의 픽셀 중 중심 픽셀 값을 1로 이미지에 기록하는 연산일 수 있다. 제 1 이미지(701)에 대해 팽창 연산을 반복하는 경우, 1의 범위가 커질 수 있다. 즉, 부식 연산은 바이너리 이미지에서 흰색 영역을 증가시킬 수 있다. 부식 연산은 전경(foreground) 물체의 크기 또는 두께를 증가시킬 수 있다. 팽창 연산은 바이너리 이미지에서 흑색 영역을 증가시킬 수 있다. 팽창 연산은 전경 물체의 크기 또는 두께를 감소시킬 수 있다. 팽창 연산은 배경(background)의 크기를 증가시킬 수 있다. 전술한 부식 및 팽창에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
오프닝은 부식 및 팽창 연산의 조합일 수 있다. 프로세서(120)는 오프닝 연산을 위해, 이미지에 부식 연산을 적용하고, 그리고 그 이후에 팽창 연산을 적용할 수 있다. 오프닝은 이미지에 포함된 노이즈를 제거하기 위한 연산일 수 있다. 오프닝은 이미지의 배경에 포함된 노이즈를 제거하기 위한 연산일 수 있다. 프로세서(120)는 부식 연산을 통해 이미지에 포함된 작은 크기의 피쳐들의 크기를 더 작게 함으로써, 작은 크기의 피쳐들을 제거할 수 있다. 그후, 프로세서(120)는 팽창 연산을 통해 이미지에 포함된 제거되지 않은 피쳐들의 크기를 크게 함으로써, 피쳐들은 원래 크기를 보존할 수 있다. 오프닝은 작은 크기의 피쳐들을 제거하고, 그리고 큰 크기의 피쳐들 만을 남기기 위한 연산일 수 있다. 즉, 오프닝 연산을 통해, 프로세서(120)는 이미지에 포함된 사전 결정된 임계 값 크기 이하의 피쳐들을 제거할 수 있다. 오프닝은 부식 연산 이후 팽창 연산을 수행하므로, 프로세서(120)는 이미지에 포함된 노이즈, 작은 크기 또는 좁은 폭의 피쳐들을 제거할 수 있다. 전술한 오프닝에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
클로징(closing)은 팽창 및 부식 연산의 조합일 수 있다. 클로징은 오프닝과 반대되는 연산일 수 있다. 프로세서(120)는 클로징 연산을 위해, 이미지에 팽창 연산을 적용하고, 그리고 그 이후에 부식 연산을 적용할 수 있다. 클로징은 전경에 포함된 작은 구멍(hole)들을 제거하기 위한 연산일 수 있다. 클로징은 객체에 포함된 작은 검은 점들을 제거하기 위한 연산일 수 있다. 프로세서(120)는 팽창 연산을 통해, 피쳐들의 크기를 크게할 수 있다. 프로세서(120)는 팽창 연산을 통해, 이미지에 포함된 피쳐들 사이의 좁은 갭(narrow gap)을 제거할 수 있다. 프로세서(120)는 팽창 연산을 통해, 이미지에 포함된 객체 또는 피쳐들의 불균형한 경계를 스무딩(smoothing)할 수 있다. 그후, 프로세서(120)는 부식 연산을 통해 이미지에 포함된 피쳐들의 크기를 작게 함으로써, 피쳐들은 원래 크기를 보존할 수 있다. 즉, 클로징 연산을 통해, 프로세서(120)는 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인, 좁은 갭을 제거하거나, 피쳐의 경계를 스무딩할 수 있다. 전술한 클로징에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
전술한 부식, 팽창, 오프닝 및 클로징 연산에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 Erosion, dilation and related operators: Mariusz Jankowski, 2006에서 보다 구체적으로 논의된다.
프로세서(120)는 인버스 된 이미지 X''(246)와 오프닝된 이미지 X'''(248) 간의 차이 연산을 수행할 수 있다. 프로세서(120)는 인버스 된 이미지 X''(246)와 오프닝된 이미지 X'''(248) 간의 픽셀 단위(pixel wise) 뺄셈(subtraction) 연산을 수행할 수 있다. 프로세서(120)는 인버스 된 이미지 X''(246)에서 오프닝된 이미지 X'''(248)를 빼서, 전처리된 이미지 X''''(249)를 생성할 수 있다(즉, X'''' = X'' - X'''). 프로세서(120)는 인버스 된 이미지 X''(246)의 픽셀 값에서, 오프닝된 이미지 X'''(248)의 픽셀 값을 뺀 값을, 전처리된 이미지 X''''(249)의 픽셀 값으로 결정할 수 있다. 프로세서(120)는 인버스 된 이미지 X''(246)와 오프닝된 이미지 X'''(248) 각각의 동일한 위치에 포함된 픽셀 간의 차이 값을, 전처리된 이미지 X''''(249)의 동일한 위치의 픽셀의 값으로 결정할 수 있다.
프로세서(120)는 전처리된 이미지 X''''(249)로부터 정상 패치를 추출할 수 있다.
즉, 전처리 연산은 다음과 같을 수 있다. X' = 임계처리(X), X'' = 인버스(X'), X''' = 오프닝(X''), X'''' = X'' - X'''
전처리 연산을 통해, 이미지에 포함된 중요한(non-trivial) 정상 픽셀들은 제 1 클래스 값으로 표시되고, 그리고 나머지 픽셀들은 제 2 클래스 값으로 표시될 수 있다. 예를 들어, 이미지에 포함된 중요한 정상 픽셀들은 흰색으로 표시되고, 그리고 나머지 픽셀들은 검정색으로 표시될 수 있다. 프로세서(120)는 학습에 효과적인 정상 패치들을 추출하기 위하여, 제 1 클래스 값으로 표시된 픽셀들에 기초하여 정상 패치를 추출할 수 있다. 예를 들어, 프로세서(120)는 이미지에 포함된 흰색 픽셀들을 포함하도록 정상 패치를 추출할 수 있다. 예를 들어, 원본 이미지의 배경 및 결함(예를 들어, 크랙)이 검정/어두운 색으로 표시되고, 그리고 제조물(예를 들어, 강철 플레이트 판넬)이 흰/밝은 색으로 표시된 경우에 상기와 같은 전처리 연산이 수행될 수 있다. 예를 들어, 흰색 픽셀들이 많이 포함된 정상 패치일수록 뉴럴 네트워크 학습에 대한 성능이 향상될 수 있다. 프로세서(120)는 예를 들어, 전처리된 이미지로부터 제 1 클래스 값을 가지는 사전 결정된 개수 또는 사전 결정된 비율 이상의 픽셀들을 포함하는 정상 패치를 추출할 수 있다. 즉, 이미지로부터 추출된 모든 패치를 학습 데이터로 구성하는 것이 아니라, 전처리된 이미지로부터 제 1 클래스 값을 가지는 정상 패치만을 추출하여 학습 데이터로 구성할 수 있다. 전술한 패치에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 전처리는 이미지에 대한 임계처리 단계, 클로징 단계 차이 연산 단계 및 인버스 단계를 포함할 수 있다.
프로세서(120)는 원본 이미지 X에 임계 처리를 하여, 바이너리 이미지 X'를 생성할 수 있다. 프로세서(120)는 바이너리 이미지 X'를 클로징하여 클로징된 이미지 X''를 생성할 수 있다. 프로세서(120)는 바이너리 이미지 X'에서 클로징된 이미지 X''를 빼는 차이 연산을 수행하여, 디프런셜 이미지 X'''(X''' = X' - X'')를 생성할 수 있다. 프로세서(120)는 디프런셜 이미지 X'''에 포함된 바이너리 값을 인버스하여 전처리된 이미지 X''''를 생성할 수 있다. 프로세서(120)는 전처리된 이미지 X''''로부터 정상 패치를 추출할 수 있다.
도 6은 이미지의 전처리 방법을 예시적으로 도시한 이미지이다. 도 6은 도 5의 순서도에 도시된 각 단계의 이미지를 예시적으로 도시한 이미지이다. 전처리를 통해, 이미지로부터 효과적인 학습 데이터 세트를 구축하기 위한 정상 패치를 추출할 수 있다.
본 개시의 일 실시예에 따라 정상 패치는 정상 이미지로부터 랜덤하게 추출될 수도 있다. 그러나, 정상 패치를 정상 이미지로부터 랜덤하게 추출하는 경우, 제조물(예를 들어, 패널) 이미지의 특성 상, 좋은 정상 픽셀을 선택하는 것이 어려울 수 있다. 예를 들어, 검정색으로 표시되는 제조물 이미지의 배경은 제조물 이미지의 대부분의 영역을 차지하고, 그리고 빛이 반사되어 이미지 상에서 흰색으로 표시되는 제조물은 제조물 이미지의 작은 일부의 영역을 차지하기 때문이다. 게다가, 뉴럴 네트워크 모델의 학습에는 제조물 이미지에 포함된 제조물 영역의 극히 일 부분만이 의미 있는 정보를 포함할 수 있다. 따라서, 랜덤으로 선택된 정상 패치들의 대부분은 학습에 무의미할 수 있다. 그리고, 랜덤으로 선택된 정상 패치들을 포함하는 학습 데이터 세트들은 무의미한 학습 데이터들을 다수 포함하는 것이 될 수 있다. 그 결과, 학습 데이터 세트에 포함된 학습 데이터들 중 유의미한 학습 데이터들의 수가 무의미한 학습 데이터들의 수보다 훨씬 적어질 수 있다. 전술한 바와 같이 전처리된 이미지로부터 정상 패치를 추출하는 경우, 정상 및 결함 클래스 각각에 대해 균형 잡힌 개수의 패치들을 포함하는 학습 데이터 세트를 구성할 수 있다. 또한, 전처리된 이미지로부터 추출된 정상 패치를 포함하는 학습 데이터 세트로 학습된 뉴럴 네트워크 모델은 효과적인 성능을 출력할 수 있다. 따라서, 이미지에 대한 전처리 동작은 불필요한 데이터들을 제거할 수 있고, 그리고 뉴럴 네트워크 학습의 성능을 향상시킬 수 있다.
추론 과정에서도 분류 대상 이미지를 전처리 할 수 있다. 전처리를 통해 분류 대상 이미지에 대한 오프닝 연산을 수행할 수 있다. 분류 대상 이미지에 대한 오프닝 연산을 통해, 노이즈가 없는 좋은 후보 패치들을 추출할 수 있다. 오프닝 된 분류 대상 이미지에 포함된 검정색 픽셀은 원본 분류 대상 이미지에서의 결함에 대응되는 픽셀일 수 있다. 오프닝 된 분류 대상 이미지에 포함된 흰색 픽셀은 원본 분류 대상 이미지에서의 배경에 대응되는 픽셀일 수 있다. 따라서, 분류 대상 이미지에 대한 전처리를 수행하는 경우, 분류 대상 이미지에 포함된 모든 패치들에 대해서 뉴럴 네트워크 모델이 연산을 수행할 필요가 없다. 전처리된 분류 대상 이미지에서, 흰색 픽셀을 포함하는 일부 패치들을 선별하여, 뉴럴 네트워크 모델이 결함이 포함되어 있는지 여부를 연산함으로써, 분류 대상 이미지의 추론 시간을 단축시킬 수 있다.
도 8은 본 개시의 일 실시예에 따라 결함 검출을 위한 하나 이상의 모델의 학습 방법을 도시한 도면이다. 결함 이미지에 포함된 결함 영역의 크기는 상이할 수 있다. 예를 들어, 결함 영역은 하나의 결함 픽셀에 대응될 수도 있고, 또는 복수의 결함 픽셀들의 집합에 대응될 수도 있다. 따라서, 동일한 크기의 패치 만을 포함하는 학습 데이터 세트로 뉴럴 네트워크 모델을 학습시키는 경우, 상이한 다양한 크기의 결함 영역을 포함하는 이미지에 대한 결함 검출이 어려울 수 있다. 예를 들어, 19 * 19 픽셀 크기의 패치를 포함하는 학습 데이터 세트로 학습된 뉴럴 네트워크 모델은, 19 * 19 픽셀 크기 보다 큰 크기의 결함 영역을 포함하는 이미지에 대한 결함 검출 성능이 떨어질 수 있다.
본 개시의 일 실시예에 따라, 프로세서(120)는 상이한 복수의 크기의 패치들을 포함하는 학습 데이터 세트를 이용하여, 복수의 뉴럴 네트워크 모델(400)을 학습시킬 수 있다. 프로세서(120)는 패치 사이즈 별로 각각 상이한 뉴럴 네트워크 모델을 학습시킬 수 있다. 예를 들어, 제 1 뉴럴 네트워크 모델(410)은 19 * 19 픽셀 크기의 패치들로 학습될 수 있다. 제 K 뉴럴 네트워크 모델(420)은 n * n 픽셀 크기의 패치들로 학습될 수 있다.
본 개시의 일 실시예에 따라 패치들은 사각형(예를 들어, m * n 픽셀 크기), 원형, 또는 다른 형태 또는 크기를 가질 수 있다. 이미지 또는 패치의 종류 또는 사이즈 각각에 따라 상이한 뉴럴 네트워크 모델이 사용될 수 있다.
도 9는 본 개시의 일 실시예에 따라 하나 이상의 모델을 이용한 결함 검출 방법을 도시한 도면이다. 프로세서(120)는 복수개의 뉴럴 네트워크 모델(500)을 이용하여 분류 대상 이미지의 결함 여부를 검출할 수 있다. 프로세서(120)는 하나의 분류 대상 이미지에서 복수개의 크기의 패치들을 추출할 수 있다. 프로세서(120)는 복수개의 크기의 패치들을 각각 패치 크기 별 모델을 이용하여 각각 연산할 수 있다. 예를 들어, 분류 대상 이미지로부터 추출된 패치의 크기가 19 * 19 픽셀 크기인 경우, 프로세서(120)는 패치를 제 1 뉴럴 네트워크 모델(510)을 이용하여 연산할 수 있다. 그리고, 분류 대상 이미지로부터 추출된 패치의 크기가 n * n 픽셀 크기인 경우, 프로세서(120)는 패치를 제 K 뉴럴 네트워크 모델(520)을 이용하여 연산할 수 있다. 프로세서(120)는 복수개의 뉴럴 네트워크 모델(500) 각각으로부터 출력된 패치들의 결함 여부에 기초하여 분류 대상 이미지의 결함 여부를 결정할 수 있다. 프로세서(120)는 복수개의 뉴럴 네트워크 모델(500) 각각으로부터 출력된 패치들 중 결함 임계 개수 이상의 패치들이 결함 패치로 출력된 경우, 분류 대상 이미지를 결함을 포함하는 결함 이미지로 결정할 수 있다. 복수개의 모델을 이용하여 이미지의 결함 여부를 결정하는 경우, 결함 검출의 정확도, 효율, 및/또는 이미지 패치 사이즈 선택의 편의성을 향상시킬 수 있다.
도 10은 본 개시의 일 실시예에 따라 추가 학습 데이터를 생성하는 방법을 도시한 순서도이다. 프로세서(120)는 제조 공정 중 획득된 이미지 또는 이미지로부터 추출된 패치들을 학습 데이터 세트에 추가할 수 있다. 예를 들어, 학습 데이터 세트에 포함된 정상 이미지 및 결함 이미지는 제조 공정 완료 후 획득된 제조물에 대한 이미지일 수 있다. 프로세서(120)는 제조 공정 중 획득된 제조물에 대한 이미지를 학습된 뉴럴 네트워크 모델을 이용하여 연산할 수 있다. 프로세서(120)는 뉴럴 네트워크 모델을 이용하여 연산한 결과, 제조 공정 중 획득된 이미지에 결함이 포함된 경우, 해당 제조 공정 획득된 이미지를 학습 데이터 세트에 추가할 것으로 결정할 수 있다. 제조 공정 완료 전이라도 즉, 제조 공정 중에 획득된 이미지에 결함이 있는 것으로 결정된 경우, 프로세서(120)는 해당 이미지를 학습 데이터 세트에 포함시킬 수 있다. 프로세서(120)는 제조 공정 중에 획득된 이미지 또는 이미지로부터 추출된 패치들을 학습 데이터 세트에 포함시킬 수 있다. 제조 공정 중에 획득된 이미지는 공정 중간에 기기에 의해 캡쳐(610)된 이미지일 수 있다. 예를 들어, 제조 공정 중에 획득된 이미지는 스마트 폰 등의 핸드 핼드 기기에 의해 캡쳐된 이미지일 수 있다. 프로세서(120)는 제조 공정 중에 획득된 이미지의 크기를 학습 데이터 세트의 정상 이미지 또는 결함 이미지와 동일한 크기로 조정(620)할 수 있다. 프로세서(120)는 제조 공정 중에 획득된 이미지의 결함 영역을 라벨링(630)할 수 있다. 프로세서(120)는 라벨링된 결함 영역에 기초하여 결함 패치들을 생성(640)할 수 있다. 이때, 제조 공정 중에 획득된 이미지로부터 결함 패치만을 추출하고, 그리고 정상 패치는 추출하지 않을 수 있다. 프로세서(120)는 제조 공정 중에 획득된 이미지로부터 추출된 결함 패치를 학습 데이터 세트에 추가(650)할 수 있다. 프로세서(120)는 보강된 학습 데이터 세트를 이용하여 뉴럴 네트워크 모델을 업데이트할 수 있다. 제조 공정 중에 획득된 이미지를 이용하여 학습 데이터 세트를 보강하는 경우, 결함 패치들을 더 추가함으로써 학습 데이터의 정상 및 결함 클래스에 대한 균형을 맞추도록 할 수 있고, 그리고 결함 판단에 대한 뉴럴 네트워크 성능을 향상시킬 수 있다.
본 개시의 일 실시예에 따른 결함 검출 방법 또는 결함 검출을 위한 뉴럴 네트워크 모델의 학습 방법을 제공하기 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
네트워크부(110)는 본 개시의 일 실시예에 따른 정상 이미지, 결함 이미지 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 결함 검출을 위한 연산을 분산 처리하도록 할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 다양한 유/무선 통신 시스템들을 사용할 수 있다.
프로세서(120)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 뉴럴 네트워크 모델을 제공하기 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 뉴럴 네트워크 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 학습 데이터 세트를 생성하기 위한 이미지 또는 패치의 전처리를 수행할 수 있다.
본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: 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(120)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 결함 검출을 위한 연산을 제공할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 결함 검출을 위한 연산을 제공할 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(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)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 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
데이터 구조는 본 개시의 일 실시예에 따른 결함 검출 알고리즘에 대응되는 데이터를 저장할 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 11은 본 개시의 실시예들이 구현될 수 있는 예시 적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 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, 핸드 헬드 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 있다. 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 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 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 예시 적인 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 비 휘발성 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 예시 적인 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 네트워크화 된 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. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 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 5 GHz 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 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 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 예시 적인 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 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 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 예시 적인 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 것이다. 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 (16)
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 결함 검출 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은,
결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작;
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작;
상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 동작; 및
상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작;
을 포함하되,
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은,
상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리 이미지로 변환하는 동작; 및상기 바이너리 이미지를 클로징(closing)하여 클로징된 이미지를 획득하는 동작;
을 포함하고,
상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하는 동작은,
상기 바이너리 이미지에 포함된 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인 경우, 상기 둘 이상의 피쳐들 사이의 갭(gap)을 제거하는 동작; 및
상기 바이너리 이미지에 포함된 피쳐의 경계를 스무딩(smoothing)하는 동작;
중 적어도 하나의 동작을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 이미지는 사전에 하나 이상의 결함 영역이 라벨링 된,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 패치는 상기 결함 이미지로부터 추출된 사전 결정된 크기의 이미지의 일부 영역이고, 그리고
상기 정상 패치는 상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나로부터 추출된 사전 결정된 크기의 이미지의 일부 영역인,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 결함 패치는 상기 결함 이미지에 포함된 적어도 하나의 결함 영역을 포함하고, 그리고
상기 정상 패치는 상기 결함 이미지에 포함된 상기 하나 이상의 결함 영역을 포함하지 않는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 동작은:
적어도 하나의 결함 영역이 패치의 중심에 포함되도록, 상기 결함 패치를 추출하는 동작;
상기 적어도 하나의 결함 영역이 패치의 경계에 포함되도록, 상기 결함 패치를 추출하는 동작;
사전 결정된 영역 개수 이상의 결함 영역이 패치에 포함되도록, 상기 결함 패치를 추출하는 동작; 또는
사전 결정된 연속 개수 이상의 나란히 배치된 결함 영역이 패치에 포함되도록, 상기 결함 패치를 추출하는 동작;
중 적어도 하나의 동작을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 패치를 전처리하는 동작;
을 더 포함하고, 그리고
상기 학습 데이터 세트는 상기 전처리된 결함 패치를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은:
상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리(binary) 이미지로 변환하는 동작;
상기 바이너리 이미지에 포함된 바이너리 값을 인버스(inverse)하여 인버스된 이미지를 획득하는 동작;
상기 인버스된 이미지를 오프닝(opening)하여 오프닝된 이미지를 획득하는 동작; 및
상기 인버스된 이미지 및 상기 오프닝된 이미지의 차이 값을 포함하는 전처리된 이미지를 획득하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 7 항에 있어서,
상기 인버스된 이미지를 오프닝하여 오프닝된 이미지를 획득하는 동작은,
상기 인버스된 이미지에 포함된 사전 결정된 크기 미만의 피쳐를 제거하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 동작은:
상기 바이너리 이미지 및 상기 클로징된 이미지의 차이 값을 포함하는 디프런셜(differential) 이미지를 획득하는 동작; 및
상기 디프런셜 이미지에 포함된 바이너리 값을 인버스하여 전처리된 이미지를 획득하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 학습 데이터 세트에 포함된 결함 패치 개수 및 정상 패치 개수의 비율은 사전 결정된 균형 비율에 의해 결정된,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 동작은,
패치 크기 별로 각각 상이한 뉴럴 네트워크 모델을 학습시키는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
분류 대상 이미지로부터 하나 이상의 패치를 추출하는 동작;
상기 하나 이상의 패치 각각을 상기 학습된 뉴럴 네트워크 모델을 이용하여 연산하여, 결함 또는 정상 패치로 분류하는 동작; 및
상기 하나 이상의 패치 중 사전 결정된 개수 이상의 패치가 결함 패치로 분류된 경우, 상기 분류 대상 이미지에 결함이 포함된 것으로 결정하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 결함 이미지 및 상기 정상 이미지는:
제조 공정 완료 후 제조물을 촬영한 이미지; 또는
제조 공정 중 제조물을 촬영한 이미지;
중 적어도 하나인,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
제조 공정 중 획득된 이미지를 상기 학습된 뉴럴 네트워크 모델이 연산하는 동작;
상기 제조 공정 중 획득된 이미지에 결함이 포함된 것으로 판단되는 경우, 상기 제조 공정 중 획득된 이미지에 기초하여 추가적인 결함 패치를 추출하는 동작; 및
상기 추가적인 결함 패치를 상기 학습 데이터 세트에 추가하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 결함 검출 방법으로서,
결함이 포함된 결함 이미지로부터 결함 패치를 추출하는 단계;
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 단계;
상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하는 단계; 및
상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키는 단계;
를 포함하되,
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하는 단계는,
상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리 이미지로 변환하는 단계; 및
상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하는 단계;
를 포함하고,
상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하는 단계는,
상기 바이너리 이미지에 포함된 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인 경우, 상기 둘 이상의 피쳐들 사이의 갭을 제거하는 단계; 및
상기 바이너리 이미지에 포함된 피쳐의 경계를 스무딩하는 단계;
중 적어도 하나의 단계를 포함하는,
결함 검출 방법.
- 결함 검출 방법을 제공하기 위한 서버로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
결함이 포함된 결함 이미지로부터 결함 패치를 추출하고,
상기 결함 이미지 또는 결함이 포함되지 않은 정상 이미지 중 적어도 하나를 전처리하고,
상기 전처리된 결함 이미지 또는 정상 이미지 중 적어도 하나로부터 정상 패치를 추출하고, 그리고
상기 결함 패치 및 상기 정상 패치를 포함하는 학습 데이터 세트를 이용하여 패치의 결함 또는 정상을 분류하기 위한 뉴럴 네트워크 모델을 학습시키되,
상기 전처리는, 상기 프로세서가,
상기 결함 이미지 또는 상기 정상 이미지 중 적어도 하나인, 전처리 대상 이미지를 바이너리 이미지로 변환하고,
상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하되,
상기 바이너리 이미지를 클로징하여 클로징된 이미지를 획득하는 동작은
상기 바이너리 이미지에 포함된 둘 이상의 피쳐들 사이의 거리가 사전 결정된 길이 미만인 경우, 상기 둘 이상의 피쳐들 사이의 갭을 제거하고,
상기 바이너리 이미지에 포함된 피쳐의 경계를 스무딩을 수행하는 것
중 적어도 하나의 과정을 수행하는 것인,
결함 검출 방법을 제공하기 위한 서버.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962869919P | 2019-07-02 | 2019-07-02 | |
| US62/869,919 | 2019-07-02 | ||
| KR1020200041480A KR102450130B1 (ko) | 2019-07-02 | 2020-04-06 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200041480A Division KR102450130B1 (ko) | 2019-07-02 | 2020-04-06 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210153586A KR20210153586A (ko) | 2021-12-17 |
| KR102450131B1 true KR102450131B1 (ko) | 2022-10-04 |
Family
ID=74065492
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210176701A KR102450131B1 (ko) | 2019-07-02 | 2021-12-10 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
| KR1020220123029A KR20220137585A (ko) | 2019-07-02 | 2022-09-28 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220123029A KR20220137585A (ko) | 2019-07-02 | 2022-09-28 | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11948292B2 (ko) |
| KR (2) | KR102450131B1 (ko) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11948292B2 (en) * | 2019-07-02 | 2024-04-02 | MakinaRocks Co., Ltd. | Systems and methods for detecting flaws on panels using images of the panels |
| CN113240790B (zh) * | 2021-04-14 | 2024-06-14 | 北京交通大学 | 一种基于3d模型和点云处理的钢轨缺陷图像生成方法 |
| TWI785637B (zh) * | 2021-06-07 | 2022-12-01 | 國立陽明交通大學 | 預測可靠度的輔助預測系統、方法及電腦程式產品 |
| CN113743231B (zh) * | 2021-08-09 | 2024-02-20 | 武汉大学 | 一种视频目标检测规避系统及方法 |
| CN113539368B (zh) * | 2021-08-30 | 2023-02-03 | 长春理工大学 | 荧光图像信号数据存储与颜色分类方法 |
| GB2616662A (en) * | 2022-03-17 | 2023-09-20 | Cheyney Design & Dev Ltd | Improvements in or relating to inspection and quality control |
| CN116630305B (zh) * | 2023-07-18 | 2024-02-13 | 北京阿丘机器人科技有限公司 | 电池盖板外观检测方法、装置、设备及存储介质 |
| KR102627233B1 (ko) * | 2023-09-26 | 2024-01-23 | (주) 웨다 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
| CN117491391B (zh) * | 2023-12-29 | 2024-03-15 | 登景(天津)科技有限公司 | 基于芯片计算的玻璃基板光三维健康检测方法及设备 |
| CN118052825B (zh) * | 2024-04-16 | 2024-06-21 | 浙江泰伦绝缘子有限公司 | 一种玻璃绝缘子表面瑕疵检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005156334A (ja) * | 2003-11-25 | 2005-06-16 | Nec Tohoku Sangyo System Kk | 疑似不良画像自動作成装置及び画像検査装置 |
| JP2010203845A (ja) * | 2009-03-02 | 2010-09-16 | Omron Corp | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
| JP2017166957A (ja) * | 2016-03-16 | 2017-09-21 | 株式会社Ｓｃｒｅｅｎホールディングス | 欠陥検出装置、欠陥検出方法およびプログラム |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7747062B2 (en) * | 2005-11-09 | 2010-06-29 | Kla-Tencor Technologies Corp. | Methods, defect review tools, and systems for locating a defect in a defect review process |
| US8126255B2 (en) * | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
| US8798373B2 (en) * | 2009-11-20 | 2014-08-05 | Nec Corporation | Image restoration system, image restoration method, and image restoration program |
| KR102085522B1 (ko) * | 2013-11-14 | 2020-03-06 | 삼성전자 주식회사 | 패턴의 결함 탐지 방법 |
| KR102239714B1 (ko) | 2014-07-24 | 2021-04-13 | 삼성전자주식회사 | 신경망 학습 방법 및 장치, 데이터 처리 장치 |
| WO2017141611A1 (ja) | 2016-02-19 | 2017-08-24 | 株式会社Ｓｃｒｅｅｎホールディングス | 欠陥検出装置、欠陥検出方法およびプログラム |
| US10607150B2 (en) | 2016-02-23 | 2020-03-31 | Splunk Inc. | Machine-learning data analysis tool |
| CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
| JP7210873B2 (ja) * | 2017-07-26 | 2023-01-24 | 横浜ゴム株式会社 | 欠陥検査方法及び欠陥検査装置 |
| US10346969B1 (en) * | 2018-01-02 | 2019-07-09 | Amazon Technologies, Inc. | Detecting surface flaws using computer vision |
| US10755133B2 (en) | 2018-02-22 | 2020-08-25 | Samsung Display Co., Ltd. | System and method for line Mura detection with preprocessing |
| US10599951B2 (en) * | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
| US11372093B2 (en) * | 2018-09-14 | 2022-06-28 | Fujifilm Sonosite, Inc. | Automated fault detection and correction in an ultrasound imaging system |
| EP3841522A4 (en) * | 2018-12-20 | 2022-04-06 | Hewlett-Packard Development Company, L.P. | PRINT QUALITY ASSESSMENT VIA PATCH CLASSIFICATION |
| US11948292B2 (en) * | 2019-07-02 | 2024-04-02 | MakinaRocks Co., Ltd. | Systems and methods for detecting flaws on panels using images of the panels |
| US11458542B2 (en) * | 2020-10-30 | 2022-10-04 | Ut-Battelle, Llc | Systems and methods for powder bed additive manufacturing anomaly detection |
-
2020
- 2020-07-01 US US16/918,994 patent/US11948292B2/en active Active
-
2021
- 2021-12-10 KR KR1020210176701A patent/KR102450131B1/ko active IP Right Grant
-
2022
- 2022-09-28 KR KR1020220123029A patent/KR20220137585A/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005156334A (ja) * | 2003-11-25 | 2005-06-16 | Nec Tohoku Sangyo System Kk | 疑似不良画像自動作成装置及び画像検査装置 |
| JP2010203845A (ja) * | 2009-03-02 | 2010-09-16 | Omron Corp | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
| JP2017166957A (ja) * | 2016-03-16 | 2017-09-21 | 株式会社Ｓｃｒｅｅｎホールディングス | 欠陥検出装置、欠陥検出方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210153586A (ko) | 2021-12-17 |
| US11948292B2 (en) | 2024-04-02 |
| KR20220137585A (ko) | 2022-10-12 |
| US20210004946A1 (en) | 2021-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102450131B1 (ko) | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 | |
| KR20200091808A (ko) | 어노말리 디텍션 | |
| KR102450130B1 (ko) | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 | |
| KR102456987B1 (ko) | 건물 외벽의 균열을 탐지하는 방법 | |
| KR20210119944A (ko) | 신경망을 학습시키는 방법 | |
| JP7496364B2 (ja) | 人工知能を使用した大きな画像データセット中の目的の細胞の検出 | |
| CN111325224A (zh) | 计算机可读存储介质、输入数据检查方法以及计算装置 | |
| KR102402194B1 (ko) | 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법 | |
| Kim et al. | An oversampling method for wafer map defect pattern classification considering small and imbalanced data | |
| CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
| CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
| Chang et al. | A Novel Multicategory Defect Detection Method Based on the Convolutional Neural Network Method for TFT‐LCD Panels | |
| KR102548129B1 (ko) | 이미지의 공간적 중요도를 포함하는 특징 맵 선별을 이용한 결함 탐지 방법 | |
| KR102455875B1 (ko) | 골 연령 판독 방법 및 장치 | |
| Chen | Migration Learning‐Based Bridge Structure Damage Detection Algorithm | |
| CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
| Abaei et al. | Improving software fault prediction in imbalanced datasets using the under-sampling approach | |
| CN116956105A (zh) | 一种分类模型训练方法、缺陷识别方法、装置及电子设备 | |
| KR102437396B1 (ko) | 모델 학습 방법 | |
| KR102449240B1 (ko) | 모델 학습 방법 | |
| Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
| Go et al. | A deep learning-based surface defect inspection system for smartphone glass | |
| KR102550107B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 감성 품질 검사 방법 | |
| CN116486178B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| KR102574605B1 (ko) | 영상 데이터 및 소리 데이터를 활용하여 소리 데이터를 분류하고 그리고 소음도를 측정하는 방법, 장치 및 컴퓨터 프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |