KR102450965B1 - 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 - Google Patents

인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 Download PDF

Info

Publication number
KR102450965B1
KR102450965B1 KR1020220080623A KR20220080623A KR102450965B1 KR 102450965 B1 KR102450965 B1 KR 102450965B1 KR 1020220080623 A KR1020220080623 A KR 1020220080623A KR 20220080623 A KR20220080623 A KR 20220080623A KR 102450965 B1 KR102450965 B1 KR 102450965B1
Authority
KR
South Korea
Prior art keywords
defective
image
learning model
learning
defects
Prior art date
Application number
KR1020220080623A
Other languages
English (en)
Inventor
방성덕
Original Assignee
주식회사 아이브
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 아이브 filed Critical 주식회사 아이브
Priority to KR1020220080623A priority Critical patent/KR102450965B1/ko
Application granted granted Critical
Publication of KR102450965B1 publication Critical patent/KR102450965B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • 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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법에 관한 것으로, 상기 장치는, 불량으로 라벨링된 불량 이미지 및 상기 불량 이미지와 동일한 그룹으로 그룹핑된 이미지들 중 상기 양품으로 라벨링된 양품 이미지를 학습 데이터로 생성하고, 상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행하는 것이다.

Description

인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 {APPARATUS AND METHOD FOR AUTOMATED TRAINING LEARNING MODEL FOR FAULT DETECTION BASED ON ARTIFICIAL INTELLIGENCE}
본 개시는 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법에 관한 것이다.
제품의 제조 과정에서 양품과 불량품을 분리하는 것은 매우 중요한 과정이며, 불량품을 제대로 분리해내지 못하게 되는 경우 클라이언트에게 양품 대신 불량품이 제공되는 일이 발생된다.
이러한 중요도에도 불구하고 아직도 많은 분야에서 양품과 불량품을 분리하는 과정이 수작업으로 진행되고 있다.
인공지능을 이용하여 양품과 불량품을 분리할 경우, 수작업에 비해 높은 정확도와 빠른 처리 속도가 기대되지만, 현재로서는 수작업에 비해 높은 정확도와 빠른 처리 속도를 보장하는 기술이 공개되어 있지 않은 실정이다.
대한민국 공개특허공보 제10-0517635호, (2005.09.21)
본 개시에 개시된 실시예는 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 개시의 일 실시예에 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치는, 통신부, 불량 검출용 학습 모델의 훈련을 위한 적어도 하나의 프로세스를 저장하고 있는 메모리 및 상기 프로세스에 따라 동작하는 프로세서;를 포함하며, 상기 프로세서는, 이미지 내 객체를 분할하고, 상기 분할된 객체 각각을 라벨링하고, 상기 객체의 단위 별로 각각 라벨링된 이미지들을 기 설정된 기준에 기초하여 그룹핑하고, 상기 이미지 내의 객체 중 불량인 객체가 적어도 하나 포함되었는지의 여부에 따라 상기 이미지를 양품 또는 불량으로 라벨링하는 라벨링부, 상기 불량으로 라벨링된 불량 이미지 및 상기 불량 이미지와 동일한 그룹으로 그룹핑된 이미지들 중 상기 양품으로 라벨링된 양품 이미지를 학습 데이터로 생성하고, 상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행하는 학습부 및 상기 지도학습의 결과로 구축된 상기 학습 모델에 대해 평가를 수행하되, 상기 학습 모델의 학습에 활용된 전체 학습 데이터 중 일부를 평가 데이터로 추출하고, 상기 추출된 평가 데이터 각각에 대해 기 설정된 복수의 불량변수 중 적어도 하나가 기 설정된 값을 초과하는 경우 불량으로 판단하는 판단부를 포함할 수 있다.
또한, 상기 라벨링부는, 동일한 그룹으로 그룹핑된 이미지들 간 분할된 객체의 개수 유사도, 분할된 객체의 종류 유사도 및 분할된 객체 각각에 부여된 라벨링 유사도를 비교하여 객체 레이블 검수를 수행할 수 있다.
또한, 상기 라벨링부는, 상기 불량 이미지 내의 적어도 하나의 불량 영역을 크롭(crop)하여 불량 유형 별로 라벨링하고, 상기 크롭된 불량 영역 이미지는 상기 불량 유형 별로 상이한 데이터베이스(DB)에 저장되되, 상기 양품 이미지가 라벨링되어 저장될 수 있다.
또한, 상기 학습부는, 상기 크롭된 불량 영역 이미지 및 해당 이미지에 라벨링된 상기 양품 이미지의 조합을 학습 데이터로 활용하되, 상기 크롭된 불량 영역 이미지와 상기 양품 이미지 간 차이와 불량이라는 출력 간 상관 관계를 학습하는 것일 수 있다.
또한, 상기 라벨링부는, 상기 이미지 내 객체에 대해 4개의 극점(extreme point)를 인식하여 상기 객체를 분할하는 것일 수 있다.
또한, 상기 복수의 불량변수는, 상기 평가 데이터에 대한 불량의 개수, 불량 간 거리, 불량의 사이즈를 포함하고, 상기 기 설정된 값은, 객체의 종류 및 불량 유형에 따라 상이하게 설정될 수 있다.
또한, 상기 판단부는, 상기 불량 유형, 상기 불량의 개수 범위 및 상기 불량의 사이즈에 따라 상이한 가중치를 부여하여 불량도를 산출하고, 산출된 불량도에 기초하여 상기 평가 데이터에 대한 불량 등급을 부여할 수 있다.
또한, 상기 불량도는, 아래 수학식에 기초하여 산출될 수 있다.
불량도(%) = (A+B+C) x 100
여기서, A는 불량 유형 별 부여된 가중치, B는 불량의 개수 범위에 따라 부여된 가중치, C는 불량의 사이즈에 따라 부여된 가중치일 수 있다.
또한, 상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법은, 이미지 내 객체를 분할하고, 상기 분할된 객체 각각을 라벨링하는 단계, 상기 객체의 단위 별로 각각 라벨링된 이미지들을 기 설정된 기준에 기초하여 그룹핑하는 단계, 상기 이미지 내의 객체 중 불량인 객체가 적어도 하나 포함되었는지의 여부에 따라 상기 이미지를 양품 또는 불량으로 라벨링하는 단계, 상기 불량으로 라벨링된 불량 이미지 및 상기 불량 이미지와 동일한 그룹으로 그룹핑된 이미지들 중 상기 양품으로 라벨링된 양품 이미지를 학습 데이터로 생성하는 단계, 상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행하는 단계 및 상기 지도학습의 결과로 구축된 상기 학습 모델에 대해 평가를 수행하는 단계를 포함하고, 상기 평가 수행 단계는, 상기 학습 모델의 학습에 활용된 전체 학습 데이터 중 일부를 평가 데이터로 추출하고, 상기 추출된 평가 데이터 각각에 대해 기 설정된 복수의 불량변수 중 적어도 하나가 기 설정된 값을 초과하는 경우 불량으로 판단한다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법을 제공하는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 시스템의 개략도이다.
도 2 및 3은 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치의 블록도이다.
도 4는 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법의 흐름도이다.
도 5는 부품 종류 별로 객체를 분할하고 라벨링하는 것을 예시한 도면이다.
도 6은 이미지를 양품으로 라벨링하는 것을 예시한 도면이다.
도 7은 이미지를 불량으로 라벨링하는 것을 예시한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 본 개시에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치(100)(이하, 불량 검출 학습 모델 훈련 장치)는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 불량 검출 학습 모델 훈련 장치(100)는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
도 1은 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 시스템(10)의 개략도이다.
본 개시의 실시예에서 활용되는 인공지능 신경망은 대표적으로 지도 학습을 기반으로 구축된 신경망이 이용될 수 있다.
도 1을 참조하면, 복수의 제품 이미지를 불량 검출 학습 모델 훈련 장치(100)에 입력하면 일련의 과정을 거쳐 불량 검출을 위한 학습 모델이 출력된다.
이때, 제품 이미지는 제조, 제작되는 제품의 이미지라면 무엇이든 적용이 가능하며, 제품은 하나의 부품 자체일 수 있고, 또는 두 개 이상의 부품이 결합된 형태일 수도 있다. 본 개시의 실시예에서는 두 개 이상의 부품이 결합된 형태의 제품을 예시로 설명하도록 한다.
본 개시의 실시예에서 양품 이미지는 제품에서 불량이 존재하지 않는 것으로 분류된 양품의 이미지이고, 불량 이미지는 제품에서 불량이 존재하는 것으로 분류된 불량품의 이미지를 의미한다.
또한, 본 개시의 실시예에서 불량 검출, 불량 검사는 모두 같은 의미로 해석될 수 있다.
도 2 및 3은 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치의 블록도이다.
도 2를 참조하면, 본 개시의 실시예에 따른 불량 검출 학습 모델 훈련 장치(100)는 프로세서(110), 메모리(120), 통신부(130) 및 입출력 인터페이스를 포함한다.
다만, 몇몇 실시예에서 불량 검출 학습 모델 훈련 장치(100)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
메모리(120)는 불량 검출용 학습 모델의 훈련을 위한 적어도 하나의 프로세스를 저장하고 있으며, 이외에도 불량 검출 학습 모델 훈련 방법을 실행하기 위한 각종 명령어, 알고리즘, 인공지능 모델 등이 저장될 수 있다.
메모리(120)는 본 장치의 다양한 기능을 지원하는 데이터와, 제어부의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 수 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(120)는 플래시 메모리(120) 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(120)(예를 들어 SD 또는 XD 메모리(120) 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(120), 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
통신부(130)는 내부 또는 외부의 장치, 서버와 통신할 수 있으며, 촬영 수단을 통해 촬영된 제품에 대한 이미지를 수신할 수도 있고, 제품에 대하여 판단된 불량 여부, 불량으로 판단된 제품의 이미지를 외부 장치, 서버 또는 불량 검출 학습 모델 훈련 장치(100)와 연결된 출력 장치로 제공할 수 있다.
몇몇 실시예에서, 불량 검출 학습 모델 훈련 장치(100)는 서버 장치를 포함할 수 있으며, 통신부(130)를 통해서 외부 공장의 서버로부터 제품에 대하여 촬영된 이미지를 수신하고, 이를 가공 및 학습하여 구축된 불량 검출 학습 모델을 해당 공장의 서버로 제공함으로써, 제품 불량 검출 서비스를 제공할 수도 있다.
입출력 인터페이스부(140)는 본 장치에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 입출력 인터페이스부(140)는 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리(120) 카드(memory card) 포트, 식별 모듈(SIM)이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 본 장치에서는, 입출력 인터페이스부(140)에 연결된 외부의 입출력 장치(200)와 관련된 적절한 제어를 수행할 수 있다.
프로세서(110)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(120), 및 메모리(120)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(110)로 구현될 수 있다. 이때, 메모리(120)와 프로세서(110)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(120)와 프로세서(110)는 단일 칩으로 구현될 수도 있다.
도 3을 참조하면, 프로세서(110)는 라벨링부(111), 학습부(112) 및 판단부(113)를 포함할 수 있다. 각 구성요소의 역할은 후술하도록 한다.
다만, 몇몇 실시예에서 불량 검출 학습 모델 훈련 장치(100)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
프로세서(110)는 이하의 도 4 내지 도 7에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
아래에서는 도 4 내지 도 7의 흐름도와 각종 예시 도면들을 참조하여, 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법에 대해서 보다 상세하게 설명하도록 한다. 이하에서는 본 개시의 방법은 프로세서(110)에 포함된 각 구성요소들이 수행하는 것으로 설명하지만, 실시예에 따라 프로세서(110) 자체가 각 단계들을 수행할 수도 있다.
도 4는 본 개시의 실시예에 따른 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법의 흐름도이다.
도 5는 부품 종류 별로 객체를 분할하고 라벨링하는 것을 예시한 도면이다.
도 6은 이미지를 양품으로 라벨링하는 것을 예시한 도면이다.
도 7은 이미지를 불량으로 라벨링하는 것을 예시한 도면이다.
도 4를 참조하면, 프로세서(110)의 라벨링부(111)가 이미지 내 객체를 분할하고, 상기 분할된 객체 각각을 라벨링한다(S100).
프로세서(110)의 라벨링부(111)가 상기 객체의 단위 별로 각각 라벨링된 이미지들을 기 설정된 기준에 기초하여 그룹핑한다(S200).
프로세서(110)의 라벨링부(111)가 상기 이미지 내의 객체 중 불량인 객체가 적어도 하나 포함되었는지의 여부에 따라 상기 이미지를 양품 또는 불량으로 라벨링한다(S300).
※ S100에 대한 상세 설명
라벨링부(111)는 제품 이미지 내의 객체를 분할하되, 이때 객체의 단위를 부품 종류로 하여 객체를 분할할 수 있다. 즉, 라벨링부(111)는 부품 종류 별로 이미지에 포함된 객체를 분할하고, 분할된 각 객체를 해당 부품의 종류(명칭)로 라벨링할 수 있다.
도 5를 참조하면, 제품 이미지가 부품 3개가 결합된 형태의 제품에 대한 이미지인 경우, 라벨링부(111)는 각 부품을 객체로 인식하여 세 개의 객체로 분할하고, 분할된 각 객체를 해당 부품의 종류(명칭)로 라벨링할 수 있다.
실시예에 따라, 라벨링부(111)는 덱스터(Dexter) 기반 오토 라벨링(Auto Labeling) 알고리즘에 기초하여 객체를 분할하고 라벨링할 수 있다. 구체적으로, 제품 이미지 내 객체에 대해 4개의 극점(extreme point)(가상 상측, 하측, 우측 및 좌측의 픽셀)를 인식하여 각각의 객체를 분할할 수 있다. 여기서, 4개의 극점은 상술한 바와 같이 자동으로 인식될 수 있지만, 사용자의 단말을 통해 입력될 수도 있다.
실시예에 따라, 라벨링부(111)는 Watershed/FCANET 기반의 오토 라벨링(Auto Labeling) 알고리즘에 기초하여 객체를 분할하고 라벨링할 수 있다. 구체적으로, 제품 이미지의 배경 및 전경(객체)을 인식하여 Watershed 및 FCANET 알고리즘을 기반으로 객체 분할될 수 있다. 여기서, 배경 및 전경(객체)은 상술한 바와 같이 자동으로 인식될 수 있지만, 사용자의 단말을 통해 입력될 수도 있다.
이외에도, 실시예에 따라 다양한 알고리즘을 이용하여 객체 분할이 이루어질 수 있다. 예를 들어, segmentation 딥러닝 모델의 inference 결과를 레이블링으로 변환하는 기술인 Inference based Semi-Auto Labeling이 이용될 수 있다.
※ S200에 대한 상세 설명
라벨링부(111)는 부품 종류 별로 객체 분할이 완료된 복수의 제품 이미지들에 대해, 라벨링부(111)는 기 설정된 기준에 기초하여 그룹핑을 수행한다.
여기서, 기준은 레이블 리스트의 동일 여부를 의미하고, 레이블 리스트는 제품 이미지에 포함된 객체의 레이블을 포함한다. 예를 들어, 3개의 부품(Boot, Flange, socket)이 포함된 특정 제품 이미지에 대한 객체 분할 및 라벨링이 완료되면, 해당 제품 이미지의 레이블 리스트는 Boot, Flange, socket로 생성될 수 있다.
즉, 복수의 제품 이미지들 중에서 레이블 리스트가 Boot, Flange, socket인 제품 이미지들끼리 동일한 그룹으로 그룹핑될 수 있다.
위에서는 레이블 리스트가 동일한 것으로 기준을 정한다고 설명했지만, 실시예에 따라 레이블 리스트에 포함된 레이블 중 일부만 중복되는 경우도 기준으로 설정될 수 있다.
또한, 라벨링부(111)는 동일한 그룹으로 그룹핑된 이미지들 간 분할된 객체의 개수 유사도, 분할된 객체의 종류 유사도 및 분할된 객체 각각에 부여된 라벨링 유사도를 비교하여 객체 레이블 검수를 수행할 수 있다. 라벨링부(111)는 동일 그룹의 이미지들 간 유사도의 비교 결과를 기반으로 기존의 레이블을 보정할 수 있다. 예를 들어, 레이블을 분리하거나, 통합하거나, 삭제하거나, 추가할 수 있다. 이와 같이, 동일한 그룹의 이미지들 간 유사도를 비교하여 각 이미지의 객체에 라벨링된 레이블의 검수를 수행함으로써 라벨링 정확도를 높일 수 있다.
※ S300에 대한 상세 설명
라벨링부(111)는 제품 이미지에 포함된 객체 별로 정의하는 라벨링뿐만 아니라, 제품 자체의 불량 여부를 표시하는 라벨링을 수행할 수 있다.
도 6을 참조하면, 라벨링부(111)는 제품 이미지에 포함된 복수의 객체 중에서 불량 영역이 포함된 객체가(불량인 객체) 없는 경우, 해당 제품 이미지를 양품으로 라벨링할 수 있다.
도 7을 참조하면, 라벨링부(111)는 제품 이미지에 포함된 복수의 객체 중에서 불량 영역이 포함된 객체가(불량인 객체) 있는 경우, 해당 제품 이미지를 불량으로 라벨링할 수 있다. 도 7은 불량 영역이 하나인 것으로 도시하였지만, 실시예에 따라, 불량 영역은 전체 객체 중 복수의 객체 또는 전체에 존재할 수도 있고, 복수의 객체에 걸쳐 존재할 수도 있다.
또한, 라벨링부(111)는 상기 불량 이미지 내의 적어도 하나의 불량 영역을 크롭(crop)하여 불량 유형 별로 라벨링한다. 여기서, 불량 이미지는 제품 이미지 중에서 불량으로 라벨링된 이미지를 의미한다.
불량 유형은 긁힘, 오염, 결합 불량을 포함할 수 있으며, 이에 제한되지 않고 통상적으로 제품에 대해 발견될 수 있는 불량은 모두 포함할 수 있다.
실시예에 따라, 불량 이미지에 긁힘에 대한 불량 영역이 포함된 경우, 해당 영역만 크롭된 불량 영역 이미지를 긁힘으로 라벨링할 수 있다.
실시예에 따라, 불량 이미지에 긁힘에 대한 불량 영역이 복수개 포함된 경우, 복수의 영역을 개별로 크롭하여 각각의 불량 영역 이미지를 긁힘으로 라벨링할 수 있다.
실시예에 따라, 불량 이미지에 긁힘 및 오염에 대한 불량 영역이 포함된 경우, 긁힌 영역만 크롭된 불량 영역 이미지를 긁힘으로 라벨링하고, 오염된 영역만 크롭된 불량 영역 이미지를 오염으로 라벨링할 수 있다.
그리고, 이렇게 크롭된 불량 영역 이미지는 상기 불량 유형 별로 상이한 데이터베이스(DB)에 저장되되, 상기 불량 영역 이미지에 해당하는 불량 이미지와 동일한 그룹으로 그룹핑된 이미지들 중 양품으로 라벨링된 양품 이미지가 라벨링되어 저장될 수 있다. 즉, 긁힘으로 라벨링된 불량 영역 이미지는 긁힘 관련 데이터베이스에 저장되고, 오염으로 라벨링된 불량 영역 이미지는 오염 관련 데이터베이스에 저장될 수 있다.
다시 도 4를 참조하면, 프로세서(110)의 학습부(112)는 불량으로 라벨링된 불량 이미지 및 불량 이미지와 동일한 그룹으로 그룹핑된 이미지들 중 양품으로 라벨링된 양품 이미지를 학습 데이터로 생성한다(S400).
프로세서(110)의 학습부(112)는 상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행한다(S500).
※ S400 및 S500에 대한 상세 설명
실시예에 따라, 학습부(112)는 상기 크롭된 불량 영역 이미지 및 해당 이미지에 라벨링된 상기 양품 이미지의 조합을 학습 데이터로 생성할 수 있다. 이때, 학습부(112)는 상기 크롭된 불량 영역 이미지와 상기 양품 이미지 간 차이와 불량이라는 출력 간 상관 관계를 지도학습하여 학습 모델을 훈련할 수 있다.
상술한 바와 같이, 본 개시는 불량 유형 별로 데이터가 구분되어 DB에 저장되어 있기 때문에, 각 DB로부터 불량 유형 별로 불량 데이터와 양품 이미지를 자동으로 획득하여 학습에 반영할 수 있다.
실시예에 따라, 학습부(112)는 불량 이미지에 포함된 불량의 개수, 불량 간 거리, 불량의 사이즈를 조정하여 학습 데이터를 생성할 수 있다. 즉, 최초의 불량 이미지를 기준 데이터로 생성하고, 기준 데이터에 포함된 불량의 개수, 불량 간 거리, 불량의 사이즈를 각각 조금씩 조정하여 복수의 추가 데이터를 생성하여, 기준 데이터와 복수의 추가 데이터 간 상관 관계를 지도학습하여 학습 모델을 훈련할 수 있다.
도 4를 참조하면, 프로세서(110)의 판단부(113)는 상기 지도학습의 결과로 구축된 상기 학습 모델에 대해 평가를 수행한다(S600).
※ S600에 대한 상세 설명
프로세서(110)의 판단부(113)는 상기 학습 모델의 학습에 활용된 전체 학습 데이터 중 일부를 평가 데이터로 추출할 수 있다. 그러나, 이에 제한되지 않고, 생성된 학습 데이터 중 일부(예를 들어, 80%)만 학습 모델 훈련에 활용하고, 나머지(예를 들어, 20%)를 학습 모델 평가를 위한 평가 데이터로 활용할 수 있다.
판단부(113)는 평가 데이터에 대한 불량 검사를 수행하여 상기 학습 모델에 대한 평가를 수행할 수 있다.
구체적으로, 판단부(113)는 상기 추출된 평가 데이터 각각에 대해 기 설정된 복수의 불량변수 중 적어도 하나가 기 설정된 값을 초과하는 경우 불량으로 판단할 수 있다.
여기서, 복수의 불량변수는, 상기 평가 데이터에 대한 불량의 개수, 불량 간 거리, 불량의 사이즈를 포함할 수 있다.
상기에서는 복수의 불량변수 중 어느 하나라도 기준 값을 초과하면 불량으로 판단한다고 설명하였지만, 실시예에 따라, 복수의 불량변수를 모두 고려하여 종합수치값을 산출하고, 산출된 종합수치값을 기준으로 불량을 판단할 수도 있다.
실시예에 따라, 상기 불량변수 중 불량 간 거리는 다양한 거리 함수(Metric function)에 기초하여 산출할 수 있다. 예컨대, 불량 간 거리는 마할라노비스 거리(Mahalanobis distance), 유클리디안 거리(Euclidean distance), 정규화된 유클리디안 거리, 코사인거리, 내적 중 어느 하나의 거리 함수에 기초하여 산출할 수 있다.
실시예에 따라, 상기 불량변수 중 불량의 사이즈는 해당 평가 데이터의 제품의 특징이 반영되어 결정될 수 있다.
또한, 기 설정된 값은, 객체의 종류 및 불량 유형에 따라 상이하게 설정될 수 있다. 즉, 불량이 있으면 사고가 발생할 확률이 높은 객체 또는 사고로 이어질 확률이 높은 불량 유형인 경우, 임계값은 작게 설정될 수 있다.
일 실시예로, 판단부(113)는 복수의 불량변수를 기반으로 평가 데이터에 대하여 불량도를 산출할 수 있다. 또한, 판단부(113)는 산출된 불량도에 기초하여 평가 데이터에 대하여 불량 등급을 부여할 수 있다. 여기서 “불량도”는 불량의 수준(예컨대, 불량이 얼마나 심각한지 또는 위험한지 등)을 수치화한 값이고, “불량 등급”은 불량의 수준에 따라 계층적으로 부여된 등급을 의미한다.
판단부(113)는 복수의 불량변수 각각에 대하여 중요도에 따라 가중치를 부여하여 불량도를 산출할 수 있다. 또한, 판단부(113)는 산출된 불량도가 속하는 수치범위에 대응하는 불량 등급을 부여할 수 있다. 이를 통해 본 발명의 일 실시예에 따른 불량 검출 학습 모델은 평가 데이터에 대하여 불량의 존재 유무뿐만 아니라 불량의 수준까지 판단할 수 있는 지표를 제공하고, 평가 데이터를 분류할 수 있다.
이하에서는 판단부(113)가 이용하는 복수의 불량변수가 3개의 불량변수를 포함하는 경우를 예시로 설명하지만 이에 제한되는 것은 아니다. 예컨대, 복수의 불량변수는 2개 또는 4개 이상일 수 있으며, 불량변수의 종류도 다양하게 변형될 수 있다.
복수의 불량변수는 불량 유형, 불량의 개수 범위 및 불량의 사이즈를 포함할 수 있다. 판단부(113)는 상기 불량 유형, 상기 불량의 개수 범위 및 상기 불량의 사이즈에 따라 상이한 가중치를 부여하여 불량도를 산출하고, 산출된 불량도에 기초하여 상기 평가 데이터에 대한 불량 등급을 부여할 수 있다.
이때, 불량도는, 아래 수학식 1에 기초하여 산출될 수 있다.
[수학식 1]
불량도(%) = (A+B+C) x 100
A는 불량 유형 별 부여된 가중치일 수 있다. A는 사고로 이어질 확률이 높은 불량 유형 또는 컴플레인이 많이 제기되는 불량 유형일수록 높은 가중치가 부여될 수 있다. 예를 들어, 위험도가 가장 높은 불량 유형 1에는 가장 높은 가중치가 부여되고, 위험도가 가장 낮은 불량 유형 2에는 가장 낮은 가중치가 부여될 수 있다. 또한, A는 0 내지 1의 값을 적용된 불량변수의 개수(예컨대, 3개)로 나눈 값일 수 있다.
B는 불량의 개수 범위에 따라 부여된 가중치일 수 있다. B는 불량의 개수가 많을수록 높은 가중치가 부여될 수 있다. 예를 들어, 불량의 개수 범위가 1~10개인 경우 가장 낮은 가중치가 부여되고, 불량 개수가 50개 이상인 경우 가장 높은 가중치가 부여될 수 있다. 또한, B는 0 내지 1의 값을 적용된 불량변수의 개수(예컨대, 3개)로 나눈 값일 수 있다.
C는 불량의 사이즈에 따라 부여된 가중치일 수 있다. C는 불량의 사이즈가 클수록 높은 가중치가 부여될 수 있다. 또한, C는 0 내지 1의 값을 적용된 불량변수의 개수(예컨대, 3개)로 나눈 값일 수 있다.
이렇게 평가 데이터마다의 불량 개수, 유형, 사이즈에 따라 상이하게 가중치가 적용되어 불량도가 산출되고, 산출된 불량도가 속하는 수치 범위에 따라 각 평가 데이터에 불량 등급이 부여될 수 있다. 불량도가 높을수록 높은 불량 등급이 부여될 수 있다. 예컨대, 불량 등급은 불량도가 70% 이상인 경우 1등급(또는 A등급), 불량도가 30% 이상 70% 미만인 경우 2등급(또는 B등급), 불량도가 30% 미만인 경우 3등급(또는 C등급)으로 부여될 수 있으나 이에 제한되는 것은 아니다. 불량 등급의 등급 체계 및 부여 기준은 다양하게 변형될 수 있다.
본 개시의 실시예에 따른 불량 검출 학습 모델 훈련 장치(100)는 제품의 제조/제작 과정에서 발생하는 불량의 유형 별로 학습을 수행하기 때문에, 보다 정확도 높은 불량 검출용 학습 모델을 구축할 수 있다.
이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 개시의 실시예를 설명하였지만, 본 개시가 속하는 기술분야의 통상의 기술자는 본 개시가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 불량 검출 학습 모델 훈련 시스템
100: 불량 검출 학습 모델 훈련 장치
110: 프로세서
111: 라벨링부
112: 학습부
113: 판단부
120: 메모리
130: 통신부
140: 입출력 인터페이스
200: 입출력 장치

Claims (10)

  1. 통신부;
    불량 검출용 학습 모델의 훈련을 위한 적어도 하나의 프로세스를 저장하고 있는 메모리; 및
    상기 프로세스에 따라 동작하는 프로세서;를 포함하며,
    상기 프로세서는,
    복수의 객체가 포함된 이미지에 대해 부품 유형 별로 복수의 객체 각각을 1차 라벨링하고, 상기 1차 라벨링된 이미지를 기 설정된 기준에 기초하여 그룹핑하고, 상기 1차 라벨링된 이미지 내의 상기 복수의 객체 중 불량인 객체가 적어도 하나 포함되었는지의 여부에 따라 상기 1차 라벨링된 이미지를 양품 또는 불량으로 2차 라벨링하고, 상기 불량으로 2차 라벨링된 이미지(이하, 불량 이미지) 내의 적어도 하나의 불량 영역을 크롭(crop)하여 불량 유형 별로 3차 라벨링하는, 라벨링부;
    상기 불량 이미지 및 상기 불량 이미지와 동일한 그룹으로 그룹핑된 1차 라벨링된 이미지들 중 상기 양품으로 2차 라벨링된 이미지(이하, 양품 이미지)를 학습 데이터로 생성하고, 상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행하는 학습부; 및
    상기 지도학습의 결과로 구축된 상기 학습 모델에 대해 평가를 수행하되, 상기 학습 모델의 학습에 활용된 전체 학습 데이터 중 일부를 평가 데이터로 추출하고, 상기 추출된 평가 데이터 각각에 대해 기 설정된 복수의 불량변수가 기 설정된 값을 초과하는 경우 불량으로 판단하는 판단부;를 포함하고,
    상기 복수의 불량변수는, 상기 평가 데이터에 대한 불량의 개수, 불량 간 거리, 불량의 사이즈를 포함하고,
    상기 기 설정된 값은, 객체의 상기 부품 유형 및 상기 불량 유형에 따라 상이하게 설정되고,
    상기 학습부는,
    최초의 상기 불량 이미지를 기준 데이터로 생성하고, 상기 기준 데이터에 포함된 불량의 개수, 불량 간 거리 및 불량의 사이즈에 대하여 각각 기 설정된 단위만큼씩 조정하여 복수의 추가 학습 데이터를 생성하는,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  2. 제1항에 있어서,
    상기 라벨링부는,
    상기 동일한 그룹으로 그룹핑된 상기 1차 라벨링된 이미지들 간 분할된 객체의 개수 유사도, 분할된 객체의 종류 유사도 및 분할된 객체 각각에 부여된 라벨링 유사도를 비교하여 객체 레이블 검수를 수행하는,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  3. 제1항에 있어서,
    상기 라벨링부는,
    상기 크롭된 불량 영역 이미지는 상기 불량 유형 별로 상이한 데이터베이스(DB)에 저장되되, 상기 양품 이미지가 라벨링되어 저장되는,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  4. 제3항에 있어서,
    상기 학습부는,
    상기 크롭된 불량 영역 이미지 및 해당 이미지에 라벨링된 상기 양품 이미지의 조합을 학습 데이터로 활용하되, 상기 크롭된 불량 영역 이미지와 상기 양품 이미지 간 차이와 불량이라는 출력 간 상관 관계를 학습하는 것인,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  5. 제1항에 있어서,
    상기 라벨링부는,
    상기 이미지 내 상기 복수의 객체에 대해 4개의 극점(extreme point)를 인식하여 상기 객체를 분할하는 것인,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  6. 삭제
  7. 제1항에 있어서,
    상기 판단부는,
    상기 불량 유형, 상기 불량의 개수 범위 및 상기 불량의 사이즈에 따라 상이한 가중치를 부여하여 불량도를 산출하고, 산출된 불량도에 기초하여 상기 평가 데이터에 대한 불량 등급을 부여하는,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  8. 제7항에 있어서,
    상기 불량도는, 아래 수학식에 기초하여 산출되는,
    불량도(%) = (A+B+C) x 100
    여기서, A는 불량 유형 별 부여된 가중치, B는 불량의 개수 범위에 따라 부여된 가중치, C는 불량의 사이즈에 따라 부여된 가중치
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치.
  9. 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치에 의해 수행되는 방법으로,
    복수의 객체가 포함된 이미지에 대해 부품 유형 별로 복수의 객체 각각을 1차 라벨링하는 단계;
    상기 1차 라벨링된 이미지를 기 설정된 기준에 기초하여 그룹핑하는 단계;
    상기 1차 라벨링된 이미지 내의 상기 복수의 객체 중 불량인 객체가 적어도 하나 포함되었는지의 여부에 따라 상기 1차 라벨링된 이미지를 양품 또는 불량으로 2차 라벨링하는 단계;
    상기 불량으로 2차 라벨링된 이미지(이하, 불량 이미지) 내의 적어도 하나의 불량 영역을 크롭(crop)하여 불량 유형 별로 3차 라벨링하는 단계;
    상기 불량 이미지 및 상기 불량 이미지와 동일한 그룹으로 그룹핑된 1차 라벨링된 이미지들 중 상기 양품으로 2차 라벨링된 이미지를 학습 데이터로 생성하는 단계;
    상기 생성된 학습 데이터를 기반으로 상기 학습 모델의 지도학습을 수행하는 단계; 및
    상기 지도학습의 결과로 구축된 상기 학습 모델에 대해 평가를 수행하는 단계;를 포함하고,
    상기 평가 수행 단계는,
    상기 학습 모델의 학습에 활용된 전체 학습 데이터 중 일부를 평가 데이터로 추출하고, 상기 추출된 평가 데이터 각각에 대해 기 설정된 복수의 불량변수가 기 설정된 값을 초과하는 경우 불량으로 판단하고,
    상기 복수의 불량변수는, 상기 평가 데이터에 대한 불량의 개수, 불량 간 거리, 불량의 사이즈를 포함하고,
    상기 기 설정된 값은, 객체의 상기 부품 유형 및 상기 불량 유형에 따라 상이하게 설정되고,
    상기 방법은,
    최초의 상기 불량 이미지를 기준 데이터로 생성하고, 상기 기준 데이터에 포함된 불량의 개수, 불량 간 거리 및 불량의 사이즈에 대하여 각각 기 설정된 단위만큼씩 조정하여 복수의 추가 학습 데이터를 생성하는 단계;를 더 포함하는,
    인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법.
  10. 하드웨어인 컴퓨터와 결합되어, 제9항의 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 방법을 실행시키기 위한 불량 제품 검출 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
KR1020220080623A 2022-06-30 2022-06-30 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 KR102450965B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220080623A KR102450965B1 (ko) 2022-06-30 2022-06-30 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220080623A KR102450965B1 (ko) 2022-06-30 2022-06-30 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102450965B1 true KR102450965B1 (ko) 2022-10-06

Family

ID=83597554

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220080623A KR102450965B1 (ko) 2022-06-30 2022-06-30 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102450965B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596878A (zh) * 2023-05-15 2023-08-15 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质
CN117934470A (zh) * 2024-03-22 2024-04-26 宁德时代新能源科技股份有限公司 模型训练方法、缺陷检测方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896136A (ja) * 1994-09-26 1996-04-12 Kawasaki Heavy Ind Ltd 溶接欠陥の評価システム
KR100517635B1 (ko) 2003-04-21 2005-09-28 용인송담대학 불량품 검출 및 취출 시스템
JP2012073119A (ja) * 2010-09-29 2012-04-12 Jfe Steel Corp 表面欠陥検査方法及びその装置
KR102174424B1 (ko) * 2019-05-24 2020-11-04 충북대학교 산학협력단 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
KR102378729B1 (ko) * 2021-03-18 2022-03-24 국민대학교산학협력단 최적의 훈련 방식 판단 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896136A (ja) * 1994-09-26 1996-04-12 Kawasaki Heavy Ind Ltd 溶接欠陥の評価システム
KR100517635B1 (ko) 2003-04-21 2005-09-28 용인송담대학 불량품 검출 및 취출 시스템
JP2012073119A (ja) * 2010-09-29 2012-04-12 Jfe Steel Corp 表面欠陥検査方法及びその装置
KR102174424B1 (ko) * 2019-05-24 2020-11-04 충북대학교 산학협력단 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
KR102378729B1 (ko) * 2021-03-18 2022-03-24 국민대학교산학협력단 최적의 훈련 방식 판단 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596878A (zh) * 2023-05-15 2023-08-15 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质
CN116596878B (zh) * 2023-05-15 2024-04-16 湖北纽睿德防务科技有限公司 一种带钢表面缺陷检测方法、系统、电子设备及介质
CN117934470A (zh) * 2024-03-22 2024-04-26 宁德时代新能源科技股份有限公司 模型训练方法、缺陷检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
KR102450965B1 (ko) 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법
US11488294B2 (en) Method for detecting display screen quality, apparatus, electronic device and storage medium
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
WO2020164282A1 (zh) 基于yolo的图像目标识别方法、装置、电子设备和存储介质
EP2461273A2 (en) Method and system for machine-learning based optimization and customization of document similarities calculation
WO2022037541A1 (zh) 图像处理模型训练方法、装置、设备及存储介质
JPWO2008152805A1 (ja) 画像認識装置及び画像認識方法
CN113065614B (zh) 分类模型的训练方法和对目标对象进行分类的方法
CN112767366A (zh) 基于深度学习的图像识别方法、装置、设备及存储介质
CN113283368B (zh) 一种模型训练方法、人脸属性分析方法、装置及介质
US11686703B2 (en) Automated analysis of analytical gels and blots
Xiao et al. Apple ripeness identification using deep learning
CN111931809A (zh) 数据的处理方法、装置、存储介质及电子设备
CN110956191A (zh) 基于概率融合的分类器、分类方法及分类系统
CN113963303A (zh) 图像处理方法、视频识别方法、装置、设备及存储介质
KR20160085004A (ko) 중복 이미지 파일 검색 방법 및 장치
CN114902299A (zh) 图像中关联对象的检测方法、装置、设备和存储介质
CN115063664A (zh) 用于工业视觉检测的模型学习方法、训练方法及系统
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
KR102439163B1 (ko) 인공지능 기반의 비지도 학습 모델을 이용한 불량 제품 검출 장치 및 그 제어방법
CN116167336B (zh) 基于云计算的传感器数据加工方法、云服务器及介质
Ghosh et al. CrackWeb: A modified U-Net based segmentation architecture for crack detection
CN112749702B (zh) 一种图像识别方法、装置、终端及存储介质
CN113887394A (zh) 一种图像处理方法、装置、设备及存储介质

Legal Events

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