KR102476048B1

KR102476048B1 - 공정의 이상 여부를 감지하는 방법 및 공정의 이상 여부를 감지하는 장치

Info

Publication number: KR102476048B1
Application number: KR1020220043259A
Authority: KR
Inventors: 김승현; 이동익; 백종혁; 권혁준; 진영욱
Original assignee: 세이지리서치 주식회사
Priority date: 2022-04-07
Filing date: 2022-04-07
Publication date: 2022-12-12

Abstract

본 출원의 일 실시예에 따른 공정 제어 장치는, 공정의 실시간 영상과 관련된 프레임 시퀀스를 획득하고, 상기 프레임 시퀀스를 분석하여 공정의 이상 현상을 감지하도록 구성된 영상 이상 감지 모듈; 상기 프레임 시퀀스에 기초하여 특정 동작 현상을 분류하도록 구성된 영상 분류 모듈; 상기 프레임 시퀀스에 기초하여 공정의 동작 상태를 판단하도록 구성된 모션 감지 모듈; 상기 프레임 시퀀스에 기초하여 공정의 환경 변화를 판단하도록 구성된, 도메인 변화 감지 모듈; 및 상기 프레임 시퀀스의 지정 검사 영역을 탐색하도록 구성된 검사 영역 탐색 모듈;을 포함한다.

Description

공정의 이상 여부를 감지하는 방법 및 공정의 이상 여부를 감지하는 장치{A METHOD FOR DETECTING A PROCESS ABNORMALITY AND A DEVICE FOR DETECTING A PROCESS ABNORMALITY}

본 출원은 공정 제어 방법 및 공정 제어 장치에 관한 것이다. 구체적으로 본 출원은, 공정을 제어하기 위하여 공정의 이상 여부를 감지하고, 공정의 모션을 감지하거나, 검사 영역을 조정하는 공정 제어 방법 및 공정 제어 장치에 관한 것이다.

인공지능 기술이 발전하면서 다양한 산업 분야에서 인공지능 기술들이 활용되고 있다. 특히 최근에는 실시간 공정을 이미지 기반으로 분석하여 공정의 이상 여부를 검사하기 위한 딥 러닝 모델들이 활발하게 개발되고 있다.

종래의 비전 검사 기술은 미리 정해진 고정된 환경에서의 공정을 이미지 기반으로 분석하여 공정의 이상 여부를 검사하였다. 다만, 대부분의 공정들은 공장 내의 환경, 설비 및 광학 설정 등이 예측할 수 없는 형태로 계속해서 변화하는 동적인 특성을 가진다. 다만, 종래 기술은 학습한 데이터와 조금이라도 다른 데이터는 모두 이상으로 판단하여, 동적인 환경에서의 공정의 이상 여부를 판단하는 데 한계가 있었다. 또한, 종래의 비전 검사 기술에 따르면 동적인 환경에서의 변화에 대응하기 위하여는 동적인 환경에서의 학습 데이터를 수집하여 추가적으로 비전 검사 모델의 학습을 진행하거나 새로운 검사 규칙을 생성하여야 함에 따라, 공정 가동을 중단해야 하거나 공정의 검사를 제대로 수행하지 못하는 문제점이 존재하였다.

이에 동적인 환경에 적응하면서 공정의 이상 여부를 감지하기 위한 공정 제어 방법, 및 공정 제어 장치에 대한 새로운 연구가 요구되는 실정이다.

본 발명이 해결하고자 하는 일 과제는, 공정 환경의 변화에도 유연하게 대응하여 공정의 이상 여부를 감지하기 위한 공정 제어 방법, 및 공정 제어 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예예 따른 공정의 이상 여부를 감지하는 방법은, 학습이 완료된 복원 모델 및 적응 모델을 획득하는 단계; 실시간 영상과 관련된 입력 데이터를 획득하는 단계; 상기 복원 모델을 통하여 상기 입력 데이터로부터 복원 영상과 관련된 복원 출력 값을 획득하고, 상기 입력 데이터와 상기 복원 출력 값에 기초하여 제1 이상 점수를 연산하는 단계; 상기 적응 모델을 통하여 제1 공간에 사영(projected)된 상기 복원 출력 값을 제2 공간으로 맵핑하여 복원 보정 값을 획득하고, 상기 입력 데이터와 상기 복원 보정 값에 기초하여 제2 이상 점수를 연산하는 단계; 상기 제1 이상 점수 및 상기 제2 이상 점수가 미리 정해진 규칙을 만족하는 지 여부에 따라 상기 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정하는 단계; 및 상기 결정된 공정의 이상 여부에 대한 정보를 송신하는 단계;를 포함할 수 있다.

본 출원의 일 실시예예 따른 공정의 모션 감지 방법은, 검사 대상 프레임을 포함하는 프레임 시퀀스를 획득하는 단계; 윈도우 사이즈에 대한 제1 파라미터, 및 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득하는 단계; 상기 프레임 시퀀스에 포함된 각각의 프레임으로부터 프레임 차이값(frame difference value)을 획득하는 단계-상기 프레임 차이값은 상기 프레임 시퀀스에 포함된 프레임 간의 픽셀값의 차이와 관련된 값임-; 상기 제1 파라미터에 기초하여 상기 프레임 시퀀스의 연속된 프레임 차이값들의 합이 최대가 되며, 상기 검사 대상 프레임을 포함하는 윈도우를 획득하는 단계; 상기 제2 파라미터에 따라 정해진 임계값보다 작은 프레임 차이값을 가지는 후보 프레임들을 획득하고, 상기 후보 프레임들의 수의 상기 윈도우에 포함된 프레임들의 수에 대한 제1 비율을 획득하는 단계; 상기 제1 비율이 미리 정해진 기준 비율보다 작으면 동작 상태로 원시 결정하고, 상기 제1 비율이 미리 정해진 기준 비율보다 크면 정지 상태로 원시 결정하는 단계; 상기 원시 결정에 기초하여 상기 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 결정하는 단계; 및 상기 결정된 공정의 동작 여부를 송신하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 검사 영역의 조정 방법은, 적어도 하나의 대상 프레임과 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득하는 단계; 상기 대상 프레임과 상기 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 대상 프레임과 상기 기준 템플릿 간의 유사도 맵을 생성하는 단계; 상기 유사도 스코어가 가장 높은 상기 유사도 맵의 위치 좌표에 기초하여 상기 대상 프레임의 최종 매칭 좌표를 획득하는 단계; 상기 기준 템플릿으로부터 추출된 위치 좌표와 상기 최종 매칭 좌표를 비교하여 상기 대상 프레임과 상기 대상 프레임의 이전 프레임을 촬영한 카메라의 촬영 환경의 변화를 판단하는 단계; 상기 카메라의 촬영 환경이 변화되었다고 판단된 경우 상기 기준 템플릿으로부터 추출된 상기 위치 좌표와 상기 최종 매칭 좌표의 변위를 연산하고, 상기 연산된 변위에 기초하여 상기 카메라의 검사 영역 좌표를 조정하는 단계; 및 상기 조정된 검사 영역 좌표에 기초하여 상기 대상 프레임으로부터 지정 검사 영역을 추출하고, 상기 추출된 지정 검사 영역을 송신하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 공정 제어 장치는, 공정의 실시간 영상과 관련된 프레임 시퀀스를 획득하고, 상기 프레임 시퀀스를 분석하여 공정의 이상 현상을 감지하도록 구성된 영상 이상 감지 모듈; 상기 프레임 시퀀스에 기초하여 특정 동작 현상을 분류하도록 구성된 영상 분류 모듈; 상기 프레임 시퀀스에 기초하여 공정의 동작 상태를 판단하도록 구성된 모션 감지 모듈; 상기 프레임 시퀀스에 기초하여 공정의 환경 변화를 판단하도록 구성된, 도메인 변화 감지 모듈; 및 상기 프레임 시퀀스의 지정 검사 영역을 탐색하도록 구성된 검사 영역 탐색 모듈;을 포함할 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 적응 모델을 통하여 공정 환경의 변화를 지속적으로 학습하여 실시간으로 검사에 반영함으로써, 공정 환경의 변화에 유연하게 대응하여 공정의 이상 여부를 감지할 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 영상 분류 모듈을 통하여 정상 동작을 이상 동작으로 검출하는 과검출 현상과 이상 동작을 검출하지 못하는 미검출 현상을 방지하여, 공정 이상 감지의 정확도를 증대시킬 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 모션 감지 모듈을 통하여 공정의 환경 변화를 판단하기 위하여 기준이 되는 공정의 정지 여부와 공정의 재가동 시점을 분석할 수 있으며, 이를 통하여 공정의 환경이 변화하더라도 유연하게 공정의 이상 여부를 감지할 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 검사 영역 탐색 모듈을 통하여 공정 영상을 검사하기 전에 검사 영역을 자동적으로 재조정함으로써, 부적절한 영역에 대한 검사로 인한 오류를 방지하고 공정의 검사 성능의 일관성을 제공할 수 있다.

본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 출원의 일 실시예에 따른 공정 제어 장치의 개략도이다.
도 2는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다.
도 3은 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다.
도 4는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다.
도 5는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다.
도 6은 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법을 나타낸 순서도이다.
도 7은 본 출원의 일 실시예에 따른 복원 모델과 적응 모델의 구조를 도시한 도면이다.
도 8은 본 출원의 일 실시예에 따른 복원 모델과 적응 모델의 학습 양상을 도시한 도면이다.
도 9는 본 출원의 일 실시예에 따른 S1300 단계를 구체화한 순서도이다.
도 10은 본 출원의 일 실시예에 따른 제1 이상 점수를 획득하는 일 양상을 도시한 도면이다.
도 11은 본 출원의 일 실시예에 따른 S1400 단계를 구체화한 순서도이다.
도 12는 본 출원의 일 실시예에 따른 적응 임계치의 양상들을 설명하기 위한 도면이다.
도 13은 본 출원의 일 실시예에 따른 적응 임계치의 양상들을 설명하기 위한 도면이다.
도 14는 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법을 나타낸 순서도이다.
도 15는 본 출원의 일 실시예에 따른 분류 모델의 학습 방법을 도시한 순서도이다.
도 16은 본 출원의 일 실시예에 따른 학습 데이터 셋을 획득하는 일 양상을 도시한 도면이다.
도 17은 본 출원의 일 실시예에 따른 분류 모델의 학습 양상을 도시한 도면이다.
도 18은 본 출원의 일 실시예에 따른 공정의 움직임을 감지하는 방법을 나타낸 순서도이다.
도 19는 본 출원의 일 실시예에 따른 공정의 모션 감지 방법의 일 양상을 도시한 도면이다.
도 20은 본 출원의 일 실시예에 따른 제1 파라미터 및 제2 파라미터를 획득하는 일 양상을 도시한 도면이다.
도 21은 본 출원의 일 실시예에 따른 제1 파라미터 및 제2 파라미터를 획득하는 다른 양상을 도시한 도면이다.
도 22는 본 출원의 일 실시예에 따른 공정의 검사 영역을 조정하는 방법을 나타낸 순서도이다.
도 23은 본 출원의 일 실시예에 따른 기준 템플릿을 선정하는 일 양상을 도시한 도면이다.
도 24는 본 출원의 일 실시예에 따른 기준 템플릿과 대상 프레임으로부터 최종 매칭 좌표를 연산하는 양상들을 도시한 도면이다.
도 25는 본 출원의 일 실시예에 따른 기준 템플릿과 대상 프레임으로부터 최종 매칭 좌표를 연산하는 일 양상을 도시한 도면이다.
도 26은 본 출원의 일 실시예에 따른 카메라의 검사 영역을 수정하는 일 양상을 도시한 도면이다.

본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.

본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.

예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.

본 출원의 일 실시예에 따르면, 상기 제1 이상 점수를 연산하는 단계는, 상기 입력 데이터와 상기 복원 출력 값 간의 유사도를 측정하고, 상기 입력 데이터와 상기 복원 출력 값 간의 제1 맵을 생성하는 단계; 상기 생성된 제1 맵에 기초하여 상기 입력 데이터에 대한 시간별 제1 초기 이상 점수를 연산하는 단계; 기준 임계치를 획득하는 단계; 및 미리 정의된 시간 주기보다 짧은 주기 내에서 상기 기준 임계치보다 큰 제1 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 상기 제1 이상 점수를 획득하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 기준 임계치는, 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산될 수 있다.

본 출원의 일 실시예에 따르면, 상기 제2 이상 점수를 연산하는 단계는, 상기 입력 데이터와 상기 복원 보정 값 간의 유사도를 측정하고, 상기 입력 데이터와 상기 복원 보정 값 간의 제2 맵을 생성하는 단계; 상기 생성된 제2 맵에 기초하여 상기 입력 데이터에 대한 시간별 제2 초기 이상 점수를 연산하는 단계; 제1 적응 임계값 및 제2 적응 임계값을 포함하는 적응 임계치를 획득하는 단계; 및 미리 정의된 시간 주기보다 짧은 주기 내에서 상기 적응 임계치보다 큰 제2 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 상기 제2 이상 점수를 획득하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 제1 적응 임계값 및 상기 제2 적응 임계값 각각은, 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산되되, 상기 제1 적응 임계값은, 제1 시간 이전의 점수를 반영하도록 EMA와 EMVar의 파라미터가 제1 파라미터 조합으로 획득되며, 상기 제2 적응 임계값은, 상기 제1 시간보다 짧은 제2 시간 이전의 점수만을 반영하도록 EMA와 EMVar의 파라미터가 제2 파라미터 조합으로 획득될 수 있다.

본 출원의 일 실시예에 따르면, 상기 공정의 이상 여부를 결정하는 단계는, 상기 제1 이상 점수가 상기 기준 임계치보다 크거나 같은지 판단하는 단계; 상기 제1 이상 점수가 상기 기준 임계치보다 작다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 정상으로 판별하고, 상기 제1 이상 점수가 상기 기준 임계치보다 크거나 같다고 판단된 경우 상기 제2 이상 점수가 상기 적응 임계치보다 크거나 같은 지 판단하는 단계; 및 상기 제2 이상 점수가 상기 적응 임계치보다 작다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 정상으로 판별하고, 상기 제2 이상 점수가 상기 적응 임계치보다 크거나 같다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 비정상으로 판별하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 복원 모델은, 학습 데이터에 포함된 입력 이미지에 기초하여 복원 이미지를 출력하도록 구성되되, 상기 복원 이미지의 제1 공간에서의 사영 값과 상기 입력 이미지의 제1 공간에서의 사영 값의 차이가 미리 정해진 값 이내가 되도록, 상기 복원 이미지를 출력하도록 훈련될 수 있다.

본 출원의 일 실시예에 따르면, 상기 적응 모델은, 상기 제1 공간에서의 목표 매니폴드를 상기 제1 공간과는 다른 제2 공간 상의 보정 매니폴드로 맵핑하도록 훈련될 수 있다.

본 출원의 일 실시예에 따르면, 상기 공정의 이상 여부 감지 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.

본 출원의 일 실시예에 따르면, 상기 공정의 동작 여부를 결정하는 단계는, 상기 검사 대상 프레임에 인접한 인접 프레임들에 대한 원시 결정을 획득하는 단계; 및 상기 인접 프레임들에 대한 원시 결정 및 상기 검사 대상 프레임에 대한 원시 결정에 기초하여 상기 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 판단하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 공정의 동작 여부를 판단하는 단계는, 상기 인접 프레임들에 대한 원시 결정과 상기 검사 대상 프레임에 대한 원시 결정이 모두 동작 상태로 판단된 경우 상기 검사 대상 프레임에 대응되는 시점의 공정 상태를 동작 상태로 결정하고, 상기 인접 프레임들에 대한 원시 결정 및 상기 검사 대상 프레임에 대한 원시 결정 중 적어도 하나가 정지 상태로 판단된 경우 상기 검사 대상 프레임에 대응되는 시점의 공정 상태를 정지 상태로 결정하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 윈도우 사이즈에 대한 제1 파라미터, 및 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득하는 단계는, 공정의 동작 상태와 관련된 동작 프레임 시퀀스 및 공정의 정지 상태와 관련된 정지 프레임 시퀀스를 포함하는 공정 영상을 획득하는 단계; 상기 공정 영상으로부터 동작 프레임 차이값과 정지 프레임 차이값을 연산하는 단계; 상기 동작 프레임 차이값 또는 상기 정지 프레임 차이값에 기초하여, 상기 동작 프레임 시퀀스에 포함된 동작 프레임에 대한 원시 결정과 상기 정지 프레임 시퀀스에 포함된 정지 프레임에 대한 원시 결정을 연산하는 단계; 및 상기 동작 프레임에 대한 원시 결정을 동작으로 판단하고 상기 정지 프레임에 대한 원시 결정을 정지라고 판단하기 위한, 제1 파라미터 및 제2 파라미터를 결정하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 정지 프레임 차이값을 연산하는 단계는, 상기 동작 프레임 시퀀스로부터 상기 동작 프레임 차이값을 연산하는 단계; 및 상기 동작 프레임 차이값들에 기초하여, 가상의 정지 프레임 차이값을 생성하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 가상의 정지 프레임 차이값을 생성하는 단계는, 상기 동작 프레임 차이값들의 제1 평균 및 제1 표준 편차를 연산하는 단계; 상기 제1 평균보다 작은 제2 평균과 상기 제1 표준 편차보다 작은 제2 표준 편차를 가지는 가우시안 분포를 획득하는 단계; 상기 가우시안 분포로부터 미리 정해진 수만큼의 값들을 샘플링하는 단계; 및 상기 샘플링된 값들을 상기 정지 프레임 차이값으로 획득하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 공정의 모션 감지 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.

본 출원의 일 실시예에 따르면, 상기 유사도 맵을 생성하는 단계는, 상기 기준 템플릿으로부터, 경계선 디텍터(edge detector)를 통하여, 경계선을 추출하고 경계선 템플릿을 획득하는 단계; 상기 대상 프레임으로부터, 경계선 디텍터(edge detector)를 통하여, 경계선을 추출하고 경계선 프레임을 획득하는 단계; 및 상기 경계선 템플릿과 상기 경계선 프레임을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 유사도 맵을 생성하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 기준 템플릿 세트를 획득하는 단계는, 정상 동작 상태에 대응되는 복수의 공정 영상들을 획득하는 단계; 상기 복수의 공정 영상들 중에서 후보 프레임들을 선택하는 단계; 상기 후보 프레임들을 군집화하여 상기 후보 프레임들을 동작별로 분류하는 단계; 및 상기 동작별로 분류된 후보 프레임들의 평균 이미지를 연산하고, 상기 평균 이미지와 상기 후보 프레임을 비교하여, 상기 평균 이미지와의 차이가 가장 작은 후보 프레임을 분류된 동작에 대응되는 기준 템플릿으로 결정하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 후보 프레임들을 선택하는 단계는, 상기 공정 영상들 각각으로부터 경계선을 추출하여 경계선 이미지를 획득하는 단계; 상기 경계선 이미지를 구성하는 픽셀값의 분산을 연산하는 단계; 미리 결정된 기준 분산보다 크거나 같은 분산을 나타내는 경계선 이미지를 상기 후보 프레임으로 결정하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 유사도 맵을 생성하는 단계는, 상기 대상 프레임과 제1 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 대상 프레임과 상기 제1 기준 템플릿 간의 제1 유사도 맵을 생성하는 단계; 및 상기 대상 프레임과 제2 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 대상 프레임과 상기 제2 기준 템플릿 간의 제2 유사도 맵을 생성하는 단계;를 더 포함하되, 상기 대상 프레임의 최종 매칭 좌표를 획득하는 단계는, 상기 제1 유사도 맵으로부터 상기 제1 유사도 맵에서 상기 유사도 스코어가 가장 높은 제1 위치 좌표를 획득하는 단계; 상기 제2 유사도 맵으로부터 상기 제2 유사도 맵에서 상기 유사도 스코어가 가장 높은 제2 위치 좌표를 획득하는 단계; 및 상기 제1 위치 좌표 및 상기 제2 위치 좌표의 가중 평균 값을 획득하고, 상기 가중 평균 값을 상기 최종 매칭 좌표로 연산하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 유사도 맵을 생성하는 단계는, 제1 대상 프레임과 상기 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 제1 대상 프레임과 상기 기준 템플릿 간의 제3 유사도 맵을 생성하는 단계; 및 제2 대상 프레임과 상기 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 제2 대상 프레임과 상기 기준 템플릿 간의 제4 유사도 맵을 생성하는 단계;를 더 포함하되, 상기 대상 프레임의 최종 매칭 좌표를 획득하는 단계는, 상기 제3 유사도 맵으로부터 상기 제3 유사도 맵에서 상기 유사도 스코어가 가장 높은 제3 위치 좌표를 획득하는 단계; 상기 제4 유사도 맵으로부터 상기 제4 유사도 맵에서 상기 유사도 스코어가 가장 높은 제4 위치 좌표를 획득하는 단계; 및 상기 제3 위치 좌표 및 상기 제4 위치 좌표의 가중 평균 값을 획득하고, 상기 가중 평균 값을 상기 최종 매칭 좌표로 연산하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 기준 템플릿은 확장 검사 영역으로 구성되되, 상기 확장 검사 영역은 상기 지정 검사 영역을 포함하는 영역일 수 있다.

본 출원의 일 실시예에 따르면, 상기 검사 영역 조정 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.

본 출원의 일 실시예에 따르면, 상기 모션 감지 모듈은, 검사 대상 프레임을 포함하는 프레임 시퀀스를 획득하고, 윈도우 사이즈에 대한 제1 파라미터, 및 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득하고, 상기 프레임 시퀀스에 포함된 각각의 프레임으로부터 프레임 차이값(frame difference value)-상기 프레임 차이값은 상기 프레임 시퀀스에 포함된 프레임 간의 픽셀값의 차이와 관련된 값임-을 획득하고, 상기 제1 파라미터에 기초하여 상기 프레임 시퀀스의 연속된 프레임 차이값들의 합이 최대이며, 상기 검사 대상 프레임을 포함하는 윈도우를 획득하고, 상기 제2 파라미터에 따라 정해진 임계값보다 작은 프레임 차이값을 가지는 후보 프레임들을 획득하고, 상기 후보 프레임들의 수의 상기 윈도우에 포함된 프레임들의 수에 대한 제1 비율을 획득하고, 상기 제1 비율이 미리 정해진 기준 비율보다 작으면 동작 상태로 원시 결정하고, 상기 제1 비율이 미리 정해진 기준 비율보다 크면 정지 상태로 원시 결정하고, 상기 원시 결정에 기초하여 상기 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 결정하고, 상기 결정된 공정의 동작 여부를 송신하도록 구성되며, 상기 영상 이상 감지 모듈은, 상기 공정이 동작 상태라는 상기 모션 감지 모듈의 판단에 기초하여 학습이 완료된 복원 모델 및 적응 모델을 획득하고 실시간 영상과 관련된 프레임 시퀀스와 관련된 입력 데이터를 획득하고, 상기 복원 모델을 통하여 상기 입력 데이터로부터 복원 영상과 관련된 복원 출력 값을 획득하고, 상기 입력 데이터와 상기 복원 출력 값에 기초하여 제1 이상 점수를 연산하고, 상기 적응 모델을 통하여 제1 공간에 사영(projected)된 상기 복원 출력 값을 제2 공간으로 맵핑하여 복원 보정 값을 획득하고, 상기 입력 데이터와 상기 복원 보정 값에 기초하여 제2 이상 점수를 연산하고, 상기 제1 이상 점수 및 상기 제2 이상 점수가 미리 정해진 규칙을 만족하는 지 여부에 따라 상기 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정하고, 상기 결정된 공정의 이상 여부에 대한 정보를 송신하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 영상 분류 모듈은, 상기 공정이 동작 상태라는 상기 모션 감지 모듈의 판단에 기초하여 학습이 완료된 분류 모델 및 복수의 프레임을 포함하는 상기 프레임 시퀀스를 획득하고, 상기 분류 모델을 통하여, 상기 복수의 프레임 각각을 미리 정의된 카테고리별로 분류하고 분류값을 획득하도록 구성되되, 상기 미리 정의된 카테고리는, 고정적으로 발생하는 특정 이상 동작과 관련된 제1 카테고리 및 정상 동작에 포함되는 동작이나 일반적인 정상 동작과는 상이한 동작과 관련된 제2 카테고리 중 적어도 하나일 수 있다.

본 출원의 일 실시예에 따르면, 상기 영상 분류 모듈은, 복수의 프레임을 포함하는 영상 데이터, 및 제1 프레임에 할당된 제1 레이블과 제2 프레임에 할당된 제2 레이블을 포함하는 레이블 정보로 구성된 초기 학습 데이터 셋을 획득하고, 상기 제1 프레임 또는 상기 제2 프레임을 가중 샘플링(weighted sampling)하여 학습 데이터 셋을 획득하고, 상기 학습 데이터 셋을 상기 분류 모델에 입력하고, 상기 분류 모델을 통하여 출력된 예측값을 획득하고, 상기 예측값과 상기 레이블 정보에 기초하여 상기 분류 모델에 포함된 가중치를 갱신하여 상기 분류 모델을 훈련시키도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 제1 레이블은, 상기 제1 프레임에 대응되는 공정이 정상적으로 동작하고 있음을 나타내는 제1 정보를 포함하며, 상기 제2 레이블은, 상기 제2 프레임에 대응되는 공정이 상기 특정 이상 동작과 관련됨을 나타내는 제2 정보, 및 상기 제2 프레임에 대응되는 공정이 정상적으로 동작하고 있으나 일반적인 정상 동작과는 상이한 동작임을 나타내는 제3 정보 중 적어도 하나를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 도메인 변화 감지 모듈은, 상기 공정이 정지 상태에서 동작 상태로 변경되었다는 상기 모션 감지 모듈의 판단에 기초하여, 카메라의 촬영 환경 및 공정의 설정 중 적어도 하나와 관련된 공정의 환경 변화를 판단하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 영상 이상 감지 모듈은, 이전 공정의 정상 동작 상태에 대응되는 이전 영상 데이터와 현재 영상 데이터를 비교하여, 상기 이전 영상 데이터와 상기 현재 영상 데이터의 일치 여부를 판단하고, 판단 결과를 송신하도록 구성되며, 상기 도메인 변화 감지 모듈은, 상기 영상 이상 감지 모듈의 상기 이전 영상 데이터와 상기 현재 영상 데이터의 일치 여부에 대한 판단 결과를 수신하고, 상기 판단 결과에 기초하여 상기 현재 영상 데이터에 대응되는 현재 공정 환경이 상기 이전 영상 데이터에 대응되는 이전 공정 환경으로부터 변화하였는지 여부를 판단하고, 변화하였다는 판단 결과에 기초하여 트리거를 송신하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 검사 영역 탐색 모듈은, 상기 트리거를 수신하고, 검사 대상 프레임과 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득하고, 상기 검사 대상 프레임과 상기 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 상기 검사 대상 프레임과 상기 기준 템플릿 간의 유사도 맵을 생성하고, 상기 유사도 스코어가 가장 높은 상기 유사도 맵의 위치 좌표에 기초하여 상기 검사 대상 프레임의 최종 매칭 좌표를 획득하고, 상기 기준 템플릿으로부터 추출된 위치 좌표와 상기 최종 매칭 좌표를 비교하여 상기 검사 대상 프레임과 상기 검사 대상 프레임의 이전 프레임을 촬영한 카메라의 이동 여부를 판단하고, 상기 카메라가 이동되었다고 판단된 경우 상기 기준 템플릿으로부터 추출된 상기 위치 좌표와 상기 최종 매칭 좌표의 변위를 연산하고, 상기 연산된 변위에 기초하여 상기 카메라의 검사 영역 좌표를 조정하도록 구성될 수 있다.

이하에서는 도면들을 참고하여 본 출원의 공정 제어 방법 및 공정 제어 장치에 관하여 설명한다.

도 1은 본 출원의 일 실시예에 따른 공정 제어 장치의 개략도이다.

본 출원의 일 실시예에 따른 공정 제어 장치(1000)는 공정의 실시간 영상과 관련된 프레임 시퀀스를 획득하고, 프레임 시퀀스를 분석하여 공정의 이상 현상을 감지하는 동작을 수행할 수 있다. 또한, 공정 제어 장치(1000)는 프레임 시퀀스에 기초하여 특정 동작 현상을 분류하는 동작을 수행할 수 있다. 또한 공정 제어 장치(1000)는 프레임 시퀀스에 기초하여 공정의 동작 상태를 판단하고, 공정의 환경 변화를 판단하는 동작을 수행할 수 있다. 나아가 공정 제어 장치(1000)는 공정의 환경 변화에 대응하여 프레임 시퀀스 내의 지정 검사 영역을 탐색하는 동작을 수행할 수 있다.

본 출원의 일 실시예에 따른 공정 제어 장치(1000)는 영상 획득 모듈(1100), 영상 이상 감지 모듈(1200), 영상 분류 모듈(1300), 모션 감지 모듈(1400), 도메인 변화 감지 모듈(1500), 검사 영역 탐색 모듈(1600), 및 제어 모듈(1700)을 포함할 수 있다.

본 출원의 일 실시예에 따른 영상 획득 모듈(1100)은 공정과 관련된 영상 데이터를 획득할 수 있다. 예컨대, 영상 획득 모듈(1100)은 실시간 공정을 촬영하는 임의의 카메라 혹은 센서를 통하여 촬영된 실시간 공정과 관련된 영상 데이터를 획득할 수 있다. 본 명세서 전반에서 입력 데이터, 프레임, 프레임 시퀀스, 입력 영상, 검사 대상 프레임 등으로 혼용하여 서술하였으나, 이는 설명의 편의를 위한 것일 뿐이며, 입력 데이터, 프레임, 프레임 시퀀스, 입력 영상, 검사 대상 프레임 등은 공정 제어 장치(1000)를 통하여 분석할 임의의 영상을 지칭하는 것으로 이해되어야 한다.

본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은 공정과 관련된 영상 데이터를 분석하여 영상 데이터에 대응되는 시점의 공정의 이상 현상을 검출하거나 감지할 수 있다. 예컨대, 영상 이상 감지 모듈(1200)은 공정의 정상 동작 영상으로 구성된 학습 데이터 셋을 이용하여 훈련된 복원 모델(1210) 및 적응 모델(1220)을 통하여, 공정의 이상 현상을 검출하거나 감지할 수 있다.

본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은, 복원 모델(1210), 적응 모델(1220), 및 평가 지표 연산 모듈(1230)을 더 포함할 수 있다.

복원 모델(1210)은 실시간 영상과 관련된 입력 데이터에 포함된 각 프레임을 미리 학습한 저차원 매니폴드에 사영(projection)하는 딥 러닝 모델일 수 있다.

적응 모델(1220)은 복원 모델(1220)로부터 발생하는 복원 잔차를 실시간으로 학습하고, 학습된 복원 잔차를 반영하여 새로운 복원 이미지를 예측하는 머신 러닝 모델일 수 있다.

평가 지표 연산 모듈(1230)은 복원 모델(1210) 및/또는 적응 모델(1220)을 통하여 출력되는 각각의 복원 값을 입력 데이터와 비교하여 프레임 별 이상 점수(anomaly)를 연산할 수 있다. 이때, 영상 이상 감지 모듈(1200)은 연산된 이상 점수에 기초하여 각 프레임의 이상 여부를 결정할 수 있다.

영상 이상 감지 모듈(1200)에 대하여는 도 6 내지 도 13에서 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 영상 분류 모듈(1300)은, 학습이 완료된 분류 모델을 통하여 특정 이상 현상 혹은 특정 정상 동작을 분류할 수 있다. 예컨대, 분류 모델은 영상 데이터 및 영상 데이터에 할당된 특정 이상 현상 혹은 특정 정상 동작(예컨대, 드물게 발생하는 정상 동작)과 관련된 레이블 정보로 구성된 학습 데이터 셋을 이용하여 지도 학습 방식으로 훈련될 수 있다. 이때, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 통하여, 영상 데이터에 포함된 특정 이상 현상과 관련된 영상을 제1 카테고리로 분류하고 영상 데이터에 포함된 특정 정상 동작과 관련된 영상을 제2 카테고리로 분류하도록 구성될 수 있다. 영상 분류 모듈(1300)에 대하여는 도 14 내지 도 17에서 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 모션 감지 모듈(1400)은 프레임 단위로 공정의 가동 여부를 판단할 수 있다. 예컨대, 모션 감지 모듈(1400)은 프레임 단위로 공정이 가동 중인지, 공정이 정지 중인지 판단할 수 있다.

본 출원의 일 실시예에 따른 모션 감지 모듈(1400)은, 동작 감지자(1410, motion detector) 및 가상 정지 생성자(1420, pseudo-stop generator)를 포함할 수 있다.

동작 감지자(1410)는, 프레임 시퀀스에 기초하여 프레임 시퀀스에 포함된 프레임에 대응되는 시점의 공정의 동작 또는 정지를 판단할 수 있다.

가상 정지 생성자(1420)는, 동작 감지자(1410)의 파라미터를 튜닝하기 위하여 필요한 정지 상태의 프레임 시퀀스(또는 프레임 차이값)를 가상으로 생성할 수 있다.

모션 감지 모듈(1400)에 대하여는 도 18 내지 도 21에서 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 도메인 변화 감지 모듈(1500)은 공정의 환경 변화(예컨대, 카메라의 촬영 환경, 공정의 설정 환경 등)를 판단할 수 있다. 구체적으로 도메인 변화 감지 모듈(1500)은 공정이 정지 상태에서 동작 상태로 변경된 경우(즉 공정의 재가동 시), 이전 공정과 재가동시의 공정 간의 환경 변화를 판단할 수 있다. 혹은 도메인 변화 감지 모듈(1500)은 검사 시스템이 정지 후 동작 상태로 변경된 경우(즉 검사 시스템의 재가동시), 이전 검사 시스템과 재가동시의 검사 시스템 간의 환경 변화를 판단할 수 있다. 도메인 변화 감지 모듈(1500)에 대하여는 도 4에서 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)은, 공정의 촬영 환경이 변화된 경우(예컨대, 카메라의 촬영 정보가 변경된 경우), 검사 대상 프레임에 포함된 검사 영역(지정 검사 영역)을 검색하고, 지정 검사 영역을 조정하는 동작을 수행할 수 있다. 이때, 검사 영역 탐색 모듈(1600)은 템플릿 매칭 기법을 활용하여 현재의 공정과 관련된 영상의 지정 검사 영역의 변화를 검출할 수 있으며, 변화가 검출된 경우 지정 검사 영역을 조정할 수 있다.

본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)은, 템플릿 선정 모듈(1610, Template sampler), 템플릿 매칭 모듈(1620, Template Matcher), 검사 영역 조정 모듈(1630, ROI Calibrator), 및 검사 영역 추출 모듈(1640, ROI cropper)을 포함할 수 있다.

템플릿 선정 모듈(1610)은 학습 영상 세트로부터 검사 영역 탐색을 위한 주요 프레임(즉 기준 템플릿)을 추출할 수 있다. 예컨대, 템플릿 선정 모듈(1610)은 학습 영상 세트에 포함된 학습 영상 각각을 전처리 및/또는 군집화하여 각 군집을 대표하는 대표 이미지를 추출함으로써, 기준 템플릿을 선정할 수 있다.

템플릿 매칭 모듈(1620)은, 기준 템플릿과 대상 프레임을 비교하여 기준 템플릿에 대응되는 대상 프레임의 매칭 지점의 최종 매칭 좌표를 연산할 수 있다. 예컨대, 템플릿 매칭 모듈(1620)은, 기준 템플릿과 대상 프레임을 비교하여 유사도 맵을 생성하고, 유사도 맵에 기초하여 기준 템플릿에 대응되는 대상 프레임의 매칭 지점의 최종 매칭 좌표를 연산할 수 있다.

검사 영역 조정 모듈(1630)은, 기준 템플릿으로부터 추출된 위치 좌표와 대상 프레임의 최종 매칭 좌표에 기초하여 변위를 연산하고, 연산된 변위에 기초하여 카메라의 검사 영역 좌표를 조정할 수 있다. 여기서 기준 템플릿으로부터 추출된 위치 좌표란, 확장 검사 영역을 기준으로 기준 템플릿이 추출된 지점의 위치 좌표일 수 있다.

검사 영역 추출 모듈(1640)은, 조정된 검사 영역 좌표를 이용하여 영상 데이터에서 지정 검사 영역을 추출하고, 추출된 지정 검사 영역을 영상 이상 감지 모듈(1200), 영상 분류 모듈(1300), 및/또는 모션 감지 모듈(1400)로 송신할 수 있다.

검사 영역 탐색 모듈(1600)에 대하여는 도 22 내지 도 26에서 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 공정 제어 장치(1000)는 송수신부, 메모리, 및 제어 모듈(1700)을 더 포함할 수 있다.

공정 제어 장치(1000)의 송수신부는 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 공정 제어 장치(1000)는, 송수신부를 통해, 외부 기기(예컨대, 공정을 촬영하는 카메라 혹은 센서) 혹은 외부 서버로부터 실시간 공정을 촬영한 비디오 스트림을 포함한 영상 데이터를 수신할 수 있다. 또한, 공정 제어 장치(1000)는, 송수신부를 통해, 학습이 완료된 모델(예컨대, 후술할 복원 모델, 적응 모델, 및/또는 분류 모델)을 실행시키기 위한 실행 데이터를 획득할 수 있다. 또한 공정 제어 장치(1000)는, 송수신부를 통해, 공정의 이상 여부를 분석한 결과를 포함하여 공정과 관련된 영상 데이터를 분석한 결과를 임의의 외부 장치(혹은 외부 서버)로 송신할 수 있다.

공정 제어 장치(1000)는, 송수신부를 통해, 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 공정 제어 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다. 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.

공정 제어 장치(1000)의 메모리는 각종 정보를 저장할 수 있다. 메모리에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리는 공정 제어 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리에는 공정 제어 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 공정 제어 장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 공정 제어 장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.

제어 모듈(1700)은 공정 제어 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 제어 모듈(1700)은 후술할 공정의 이상 현상을 감지하는 동작, 특정 동작 현상을 분류하는 동작, 공정의 동작 상태를 판단하는 동작, 공정의 환경 변화를 판단하는 동작, 및/또는 프레임 시퀀스 내의 지정 검사 영역을 탐색하는 동작 등 공정 제어 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 제어 모듈(1700)은 메모리로부터 공정 제어 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 제어 모듈(1700)은 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit), MCU(Microcontroller Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.

이하에서는 도 2 내지 도 5를 참고하여 본 출원의 일 실시예에 따른 공정 제어 장치(1000)의 제어 동작들을 구체적으로 서술한다.

도 2는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다. 구체적으로 도 2는 공정의 이상 여부를 검사하는 검사 수행 상태의 일 양상을 도시한 도면이다.

본 출원의 일 실시예에 따른 공정 제어 장치(1000)는 영상 획득 모듈(1100)을 통하여 공정과 관련된 비디오 스트림을 획득하고, 비디오 스트림에 포함된 각 프레임으로부터 확장 검사 영역을 1차적으로 크롭(도 2 내지 도 5의 Pre-ROI Crop)하는 동작을 수행할 수 있다. 이를 통하여 공정 제어 장치(1000)는 확장 검사 영역을 포함하는 프레임을 획득할 수 있다. 확장 검사 영역을 포함하는 프레임은 후술할 검사 영역 탐색 모듈(1600)의 기준 템플릿을 선정하는 데 이용될 수 있다.

나아가 본 출원의 일 실시예에 따른 공정 제어 장치(1000)는 확장 검사 영역을 포함하는 프레임으로부터 지정 검사 영역을 2차적으로 크롭(도 2 내지 도 5의 ROI Crop)하는 동작을 수행할 수 있다. 이를 통하여 공정 제어 장치(1000)는 지정 검사 영역을 포함하는 검사 대상 프레임을 획득할 수 있다. 지정 검사 영역을 포함하는 검사 대상 프레임은 후술할 모션 감지 모듈(1400)의 공정 상태를 판단하는 것에 이용될 수 있다. 한편, 도 2와 관련하여 설명한 프레임으로부터 확장 검사 영역 및/또는 지정 검사 영역을 크롭하는 내용은 도 3 내지 도 5에 대하여도 동일하게 적용될 수 있다.

도 2를 참고하면, 모션 감지 모듈(1400)은 검사 대상 프레임을 획득하고, 검사 대상 프레임을 분석하여, 검사 대상 프레임에 대응되는 시점의 공정의 상태를 판단하는 동작을 수행할 수 있다. 예컨대, 모션 감지 모듈(1400)은 검사 대상 프레임을 분석하여, 검사 대상 프레임에 대응되는 시점의 공정이 작동 중인지 여부를 판단할 수 있다. 이때, 모션 감지 모듈(1400)이 공정이 작동 중이라고 판단한 경우에는, 공정 제어 장치(1000)는 영상 이상 감지 모듈(1200) 및/또는 영상 분류 모듈(1300)을 통하여 검사 대상 프레임에 대응되는 시점의 공정의 이상 여부를 감지할 수 있다. 예컨대, 영상 이상 감지 모듈(1200)은 학습이 완료된 복원 모델과 적응 모델을 이용하여 검사 대상 프레임에 대응되는 시점의 공정의 이상 여부를 감지할 수 있다. 예컨대, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 이용하여, 검사 대상 프레임으로부터 특정 정상 동작과 특정 이상 동작을 분류할 수 있다. 또한 공정 제어 장치(1000)는 영상 이상 감지 모듈(1200)을 통하여 획득한 분석 결과와 영상 분류 모듈(1400)을 통하여 획득한 분석 결과를 조합하여 공정의 이상 여부와 관련된 최종 검사 결과를 출력하도록 구현될 수 있다. 영상 이상 감지 모듈(1200)에 대하여는 도 6 내지 도 13에서, 영상 분류 모듈(1300)에 대하여는 도 14 내지 도 17에서, 모션 감지 모듈(1400)에 대하여는 도 18 내지 도 21에서 보다 구체적으로 설명한다.

도 3은 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다. 구체적으로 도 3은 공정의 검사를 정지한 검사 정지 상태의 일 양상을 도시한 도면이다.

전술한 바와 같이, 모션 감지 모듈(1400)은 검사 대상 프레임을 분석하여, 검사 대상 프레임에 대응되는 시점의 공정이 작동 중인지 여부를 판단할 수 있다. 이때, 모션 감지 모듈(1400)이 공정이 작동 중이 아니라고 판단한 경우(즉, 공정이 정지 상태인 경우)에는, 공정 제어 장치(1000)는 검사 결과를 정지 상태로 출력하고, 검사 대상 프레임에 대한 검사를 중지할 수 있다. 또는 공정 제어 장치(1000)의 제어 모듈(1700)은 공정 제어 장치(1000)의 각 모듈들을 비활성하도록 제어할 수 있다. 이를 통하여 공정이 작동 중인 경우에만 검사를 수행하여 연산을 최소화할 수 있다. 모션 감지 모듈(1400)에 대하여는 도 18 내지 도 21에서 보다 구체적으로 설명한다.

도 4는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다. 구체적으로 도 4는 공정(혹은 검사 시스템)이 정지 상태에서 재가동된 경우의 환경 변화를 판단하는 상태의 일 양상을 도시한 도면이다.

전술한 바와 같이, 모션 감지 모듈(1400)은 검사 대상 프레임을 분석하여, 검사 대상 프레임에 대응되는 시점의 공정이 작동 중인지 여부를 판단할 수 있다. 이때, 공정(혹은 검사 시스템)이 정지 상태에서 작동 상태로 변경되었다고 판단된 경우에는, 모션 감지 모듈(1400)은 작동 개시 트리거(operation start trigger)를 도메인 변화 감지 모듈(1500) 및/또는 영상 이상 감지 모듈(1200)로 송신할 수 있다. 이때, 영상 이상 감지 모듈(1200)은 직전 검사 상태(예컨대, 직전의 검사 수행 상태)에서의 정상 공정과 관련된 이전 영상 데이터와 현재 영상 데이터를 프레임 단위별로 비교하여 이전 영상 데이터와 현재 영상 데이터의 일치 여부를 판단할 수 있다. 이때, 도메인 변화 감지 모듈(1500)은 영상 이상 감지 모듈(1200)의 판단 결과에 기초하여 공정의 환경 변화(예컨대, 카메라의 촬영 환경 변화 혹은 공정의 설정 변화)와 관련된 도메인 변화의 유무를 판단할 수 있다.

구체적으로 영상 이상 감지 모듈(1200)은 후술할 적응 모델을 통한 환경 적응을 중지하고, 미리 정해진 시간 동안 검사 대상 프레임의 이상 여부 판단만을 수행하도록 제어될 수 있다. 다시 말해, 영상 이상 감지 모듈(1200)은 미리 정해진 프레임 개수(예컨대, N개)만큼 검사 대상 프레임의 이상 여부를 판단할 수 있다. 또한, 도메인 변화 감지 모듈(1500)은 영상 이상 감지 모듈(1200)로부터 N개의 이상 여부 판단 결과를 획득하고, 이상 여부가 존재한다고 판단된 제1 이상 프레임과 제2 이상 프레임 사이의 간격을 연산하도록 구현될 수 있다. 이때, 제1 이상 프레임과 제2 이상 프레임 사이의 간격이 미리 정해진 값보다 작거나 같은 경우에는 도메인 변화 감지 모듈(1500)은 도메인 변화가 존재한다고 판단할 수 있다. 반면, 그렇지 않은 경우에는 도메인 변화 감지 모듈(1500)은 도메인 변화가 존재하지 않는다고 판단할 수 있다.

도메인 변화가 존재한다고 판단된 경우에는, 제어 모듈(1700)은 기존 환경 정보를 리셋하도록 영상 이상 감지 모듈(1200)을 제어할 수 있다. 또한, 제어 모듈(1700)은 검사 영역을 탐색하기 위한 트리거를 송신하도록 도메인 변화 감지 모듈(1500)을 제어할 수 있다. 반면, 도메인 변화가 존재하지 않는다고 판단된 경우에는, 제어 모듈(1700)은 공정 제어 장치(1000)를 도 2에서 전술한 검사 수행 상태로 전환하여 검사 대상 프레임에 대한 검사를 진행하도록 제어할 수 있다.

영상 이상 감지 모듈(1200)에 대하여는 도 6 내지 도 13에서, 모션 감지 모듈(1400)에 대하여는 도 18 내지 도 21에서 보다 구체적으로 설명한다.

도 5는 본 출원의 일 실시예에 따른 공정 영상의 이상 여부를 분석하는 일 양상을 도시한 도면이다. 구체적으로 도 5는 공정의 환경 변화에 대응하여 검사 영역을 탐색하는 상태의 일 양상을 도시한 도면이다.

검사 영역 탐색 모듈(1600)은, 도메인 변화 감지 모듈(1500)로부터 송신된 도메인 변화를 나타내는 트리거에 기초하여, 카메라의 촬영 환경(예컨대, 카메라의 촬영 각도, 카메라의 촬영 위치, 및/또는 카메라의 촬영 파라미터 등)의 변화의 유무를 판단하여 지정 검사 영역을 탐색하는 동작을 수행할 수 있다. 예컨대, 검사 영역 탐색 모듈(1600)은 템플릿 매칭 기법을 통하여 기준 템플릿과 검사 대상 프레임을 비교하여 최종 매칭 좌표를 연산하고, 기준 템플릿으로부터 추출된 위치 좌표와 연산된 최종 매칭 좌표에 기초하여 검사 영역 좌표를 조정할 수 있다. 여기서 기준 템플릿으로부터 추출된 위치 좌표란, 확장 검사 영역을 기준으로 기준 템플릿이 추출된 지점의 위치 좌표일 수 있다.

이때, 제어 모듈(1700)은 조정된 검사 영역 좌표에 기초하여 추출된 지정 검사 영역에 대하여 검사를 수행하도록 공정 제어 장치(1000)의 각 모듈을 제어할 수 있다. 검사 영역 탐색 모듈(1600)에 대하여는 도 22 내지 도 26에서 보다 구체적으로 설명한다.

이하에서는 도 6 내지 도 26을 참고하여 본 출원의 일 실시예에 따른 공정 제어 장치(1000)의 각 모듈의 동작 및/또는 공정 제어 방법에 대하여 보다 자세히 서술하기로 한다. 구체적으로 도 6 내지 도 13을 참고하여 본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)에 대하여 보다 구체적으로 서술하기로 한다. 또한 도 14 내지 도 17을 참고하여 본 출원의 일 실시예에 따른 영상 분류 모듈(1300)에 대하여 보다 구체적으로 서술하기로 한다. 또한 도 18 내지 도 21을 참고하여 본 출원의 일 실시예에 따른 모션 감지 모듈(1400)에 대하여 보다 구체적으로 서술하기로 한다. 또한 도 22 내지 도 26을 참고하여 본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)에 대하여 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은, 학습이 완료된 복원 모델 및 적응 모델을 통하여, 실시간 영상과 관련된 영상 데이터(혹은 프레임 시퀀스)를 분석하여 프레임 별 이상 점수를 산출하고, 산출된 이상 점수에 기초하여 프레임에 대응되는 시점의 공정의 이상 여부를 결정하는 동작을 수행할 수 있다.

한편 도 1에서 도시한 바와 같이 영상 이상 감지 모듈(1200)은 복원 모델(1210), 적응 모델(1220), 및 평가 지표 연산 모듈(1230)을 포함할 수 있다.

이하에서는 도 6 내지 도 13을 참고하여 본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)에 대하여 보다 구체적으로 서술하기로 한다.

도 6은 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법을 나타낸 순서도이다. 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법은 영상 이상 감지 모듈(1200)에 의하여 수행될 수 있다.

본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법은, 학습이 완료된 복원 모델 및 적응 모델을 획득하는 단계(S1100), 실시간 영상과 관련된 입력 데이터를 획득하는 단계(S1200), 복원 모델을 통하여 입력 데이터로부터 복원 영상과 관련된 복원 출력 값을 획득하고, 입력 데이터와 복원 출력 값에 기초하여 제1 이상 점수를 연산하는 단계(S1300), 적응 모델을 통하여 제1 공간에 사영된 복원 출력 값을 제2 공간으로 맵핍하여 복원 보정 값을 획득하고, 입력 데이터와 복원 보정 값에 기초하여 제2 이상 점수를 연산하는 단계(S1400), 제1 이상 점수 및 제2 이상 점수가 미리 정해진 규칙을 만족하는 지 여부에 따라 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정하는 단계(S1500), 및 결정된 공정의 이상 여부에 대한 정보를 송신하는 단계(S1600)를 포함할 수 있다.

학습이 완료된 복원 모델 및 적응 모델을 획득하는 단계(S1100)에서는, 영상 이상 감지 모듈(1200)은 임의의 송수신부를 통하여 학습이 완료된 복원 모델 및 적응 모델을 획득할 수 있다. 구체적으로 영상 이상 감지 모듈(1200)은 학습이 완료된 복원 모델을 실행시키기 위한 실행 데이터 및 학습이 완료된 적응 모델을 실행시키기 위한 실행 데이터를 획득할 수 있다. 여기서, 실행 데이터란 각 모델의 계층 정보, 연산 정보, 및/또는 각 모델과 관련된 가중치(혹은 파라미터) 등을 포함하여 복원 모델 또는 적응 모델을 적절하게 실행시키기 위하여 필요한 임의의 데이터를 포괄하는 의미일 수 있다.

도 7은 본 출원의 일 실시예에 따른 복원 모델과 적응 모델의 구조를 도시한 도면이다.

본 출원의 일 실시예에 따른 복원 모델(1210)은 엔코더(encoder) 및 디코더(decoder)로 구성된 오토엔코더(autoencoder)를 통하여, 입력 데이터로부터 복원 출력 값을 출력하도록 구성될 수 있다. 구체적으로 오토엔코더의 엔코더는 고차원 공간 상의 입력 데이터를 저차원 공간 상의 데이터로 압축(encoding)할 수 있다. 또한, 오토엔코더의 디코더는 저차원 공간 상의 데이터를 입력 데이터와 동일한 고차원 공간 상의 데이터로 출력(decoding)할 수 있다. 복원 모델(1210)은 학습 시 고차원 공간 상의 학습 데이터(예컨대, 정상 상태의 공정과 관련된 영상 데이터로 구성된 학습 데이터)를 입력 받아 학습 데이터에 대해 복원 오차가 최소화되도록 예측 값을 출력하도록, 복원 모델(1210)에 포함된 가중치(혹은 파라미터)가 반복적으로 갱신됨으로써 훈련될 수 있다. 따라서, 학습이 완료된 복원 모델(1210)은 입력 데이터를 학습된 매니폴드로 사영하여 복원 출력 값을 출력할 수 있다. 이때, 복원 모델(1210)은 학습 데이터(예컨대, 정상 상태의 공정과 관련된 영상 데이터로 구성된 학습 데이터)와 유사한 입력 데이터(예컨대, 정상 상태의 공정과 관련된 입력 데이터)에 대하여는 상대적으로 적은 복원 오차로 복원 출력 값을 출력할 수 있다. 반면, 복원 모델(1210)은 학습하지 않은 입력 데이터(예컨대, 이상 상태의 공정과 관련된 입력 데이터)에 대하여는, 상대적으로 큰 복원 오차로 복원 출력 값을 출력할 수 있다. 이때, 평가 지표 연산 모듈(1230)은 입력 데이터와 복원 출력 값에 기초하여 제1 이상 점수를 연산할 수 있다.

나아가, 일 실시예에 따른 복원 모델(1210)은 입력 데이터의 각 프레임을 순차적으로 처리하면서 이전 프레임의 정보(context)를 활용하기 위하여 시계열 처리 모델인 장단기 메모리 모델(Long Short-Term Memory models(LSTM))을 압축 공간(encoding space)에 활용하도록 구성될 수 있다.

한편, 실제 공정 상에서 촬영 환경이 바뀌는 경우가 존재할 수 있다. 예컨대, 공정의 조명 세팅이나 카메라의 촬영 환경이 변경되는 경우가 존재할 수 있다. 따라서 본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은 촬영 환경의 변화에 따른 입력 데이터의 변화와 관련된 복원 잔차를 보정하도록 학습된 적응 모델(1220)을 더 포함할 수 있다. 구체적으로 학습이 완료된 적응 모델(1220)은 복원 모델(1210)을 통하여 학습 데이터의 매니폴드 공간 상에 사영된 데이터 영역을 복수의 조각 영역으로 분류할 수 있다. 예컨대, 적응 모델(1220)은 조각 분류 모델을 통하여 사영된 데이터 영역을 복수의 조각 영역으로 분류하고, 각 조각 영역의 조각 중심을 기준으로 입력 데이터(쿼리(query))와 가장 가까운 조각 중심(key)을 검색하여 쿼리를 해당 조각 중심이 포함된 조각 영역으로 분류할 수 있다. 나아가 적응 모델(1220)은 기존 학습 데이터 매니폴드 상에 사영된 데이터를 선형 변환하여 새로운 매니폴드 공간 상으로 맵핑할 수 있다. 예컨대, 적응 모델(1220)은 선형 변환과 관련된 가중치 및/또는 바이어스에 기초하여 조각 영역으로 할당된 입력 값을 선형 변환하여 새 데이터 영역으로 사영된 복원 보정 값을 출력할 수 있다. 이때, 평가 지표 연산 모듈(1230)은 새로운 매니폴드 공간 상으로 맵핑된 입력 데이터와 복원 보정 값의 차이에 기초하여 제2 이상 점수를 연산할 수 있다.

도 8은 본 출원의 일 실시예에 따른 복원 모델과 적응 모델의 학습 양상을 도시한 도면이다.

도 8(a)를 참고하면, 복원 모델(1210)은 학습 데이터를 입력 받고, 학습 데이터의 목표 매니폴드로부터 미리 정의된 임계값만큼 떨어진 바운더리 내로 예측 값을 출력하도록 훈련될 수 있다. 예컨대, 복원 모델(1210)은 학습 데이터에 기초하여 바운더리 외부로 예측값(도 8(a)의 아웃라이어 참고)을 출력한 경우, 해당 예측값을 바운더리 내로 출력하도록 복원 모델(1210)의 가중치나 파라미터를 갱신할 수 있다. 예컨대, 복원 모델(1210)은 학습 데이터에 기초하여 바운더리 내부로 예측값(도 8(a)의 인라이어 참고)을 출력한 경우, 해당 예측값을 목표 매니폴드에 근사하여 출력하도록 복원 모델(1210)의 가중치나 파라미터를 갱신할 수 있다.

도 8(b)를 참고하면, 적응 모델(1220)은 전술한 조각 분류와 선형 변환을 복원 모델(1210)의 데이터 영역에 적용하여 제1 공간 상의 목표 매니폴드와 데이터 분포를 제2 공간 상의 보정 매니폴드와 데이터 분포로 맵핑하도록 훈련될 수 있다. 한편, 도시하지는 않았지만, 적응 모델(1220)은 예측 단계에서 복원 보정 값과 입력 데이터의 차이에 기초하여 적응 모델(1220)의 가중치 및/또는 바이어스를 갱신하도록 구현될 수 있다. 예컨대, 적응 모델(1220)의 가중치 및/또는 바이어스는 복원 보정 값과 입력 데이터 간의 오차를 최소화하는 방향으로 갱신될 수 있다. 이를 통하여 적응 모델(1220)이 공정의 정상 상태와 관련된 데이터 영역을 지속적으로 학습하고, 공정의 실시간 변화에 대하여 적응할 수 있다.

실시간 영상과 관련된 입력 데이터를 획득하는 단계(S1200)에서는, 영상 이상 감지 모듈(1200)은, 영상 획득 모듈(1100)을 통하여 수신한 실시간 영상과 관련된 입력 데이터를 획득할 수 있다. 전술한 바와 같이, 본 명세서 전반에서 입력 데이터, 프레임, 프레임 시퀀스, 입력 영상, 검사 대상 프레임 등으로 혼용하여 서술하였다. 다만 이는 설명의 편의를 위한 것일 뿐이며, 입력 데이터, 프레임, 프레임 시퀀스, 입력 영상, 검사 대상 프레임 등은 공정 제어 장치(1000)를 통하여 분석할 임의의 영상을 지칭하는 것으로 이해되어야 한다.

복원 모델을 통하여 입력 데이터로부터 복원 영상과 관련된 복원 출력 값을 획득하고, 입력 데이터와 복원 출력 값에 기초하여 제1 이상 점수를 연산하는 단계(S1300)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 복원 모델(1210)을 통하여 출력된 복원 출력 값과 입력 데이터를 비교하고, 복원 출력 값과 입력 데이터의 차이에 기초하여 제1 이상 점수를 획득할 수 있다.

도 9는 본 출원의 일 실시예에 따른 S1300 단계를 구체화한 순서도이다. 본 출원의 일 실시예에 따른 S1300 단계는, 입력 데이터와 복원 출력 값 간의 유사도를 측정하고, 입력 데이터와 복원 출력 값 간의 제1 맵을 생성하는 단계(S1310), 생성된 제1 맵에 기초하여 입력 데이터에 대한 시간별 제1 초기 이상 점수를 연산하는 단계(S1320), 기준 임계치를 획득하는 단계(S1330), 및 미리 정의된 시간 주기보다 짧은 주기 내에서 기준 임계치를 넘은 제1 초기 이상 점수에 대응되는 점수 피크를 제거하고 시간에 따른 제1 이상 점수를 획득하는 단계(S1340)를 더 포함할 수 있다.

입력 데이터와 복원 출력 값 간의 유사도를 측정하고, 입력 데이터와 복원 출력 값 간의 제1 맵을 생성하는 단계(S1310)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 입력 데이터와 복원 출력 값을 비교하고, 입력 데이터와 복원 출력 값 간의 유사도를 측정할 수 있다. 구체적으로 평가 지표 연산 모듈(1230)은 입력 영상과 복원 출력 값(제1 복원 영상)의 유사도를 픽셀 단위로 측정할 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 L1 거리(L1-distance) 혹은 멀티스케일 구조 유사성 지수 측정(Multiscale Structural Similarity Index Measure (MS-SSIM)) 지표를 통하여 입력 영상과 제1 복원 영상 간의 유사도를 측정할 수 있다.

나아가 평가 지표 연산 모듈(1230)은 유사도 측정 결과에 기초하여 제1 맵을 생성할 수 있다. 제1 맵은 입력 영상과 제1 복원 영상 간의 차이가 존재하는 정도에 대한 정보와 입력 영상과 제1 복원 영상 간의 차이가 존재하는 위치에 대한 정보를 포함할 수 있다.

생성된 제1 맵에 기초하여 입력 데이터에 대한 시간별 제1 초기 이상 점수를 연산하는 단계(S1320)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 제1 맵으로부터 입력 데이터의 이상 현상 스코어를 연산할 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 제1 맵의 전체 픽셀 영역에 대한 평균이나 최대값을 연산하여 입력 데이터의 프레임에 대한 이상 현상 스코어를 연산할 수 있다. 한편, 평가 지표 연산 모듈(1230)은 시간에 따라 순차적으로 입력된 입력 데이터에 포함된 복수의 프레임들 각각의 이상 현상 스코어를 연산하고, 이에 기초하여 입력 데이터에 대한 시간별 제1 초기 이상 점수를 계산할 수 있다.

한편, 시간에 따른 연속된 값인 제1 초기 이상 점수를, 시간에 따른 이상 현상 발생 여부에 대한 정보(예컨대 True, False 형태)로 변환하기 위하여 임계치(이하 기준 임계치)가 필요하다. 따라서 본 출원의 일 실시예에 따른 평가 지표 연산 모듈(1230)은 임의의 송수신부를 통하여 기준 임계치를 획득할 수 있다. (S1330)

일 예로, 기준 임계치는 고정 임계값(Fixed thershold)일 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 고정 임계값을 기준 임계치로 획득하고, 후술할 제1 이상 점수가 고정 임계값보다 크거나 같은 경우에는 해당 프레임에 대응되는 시점의 공정이 이상 현상이 존재한다고 판단할 수 있다. 반면 제1 이상 점수가 고정 임계값보다 작은 경우에는 해당 프레임에 대응되는 시점의 공정이 정상이라고 존재한다고 판단할 수 있다.

한편, 촬영 장비의 한계 또는 비디오 인코딩/디코딩으로 인한 영상의 '노이즈'는 이상 현상 판별에 큰 영향을 미칠 수 있다. 이러한 노이즈는 예측할 수 없는 양상으로 발생하는 양상을 띄기 때문에 오류가 존재하는 이상 점수를 야기할 수 있다. 다만 이러한 기술적인 원인의 노이즈가 야기하는 스코어 변동은 그 주기가 짧은 양상(예컨대 30FPS 영상 기준 1 내지 2 프레임)을 띈다. 따라서 본 출원의 일 실시예에 따르면, 영상 이상 감지 모듈(1200)은 노이즈의 주기를 고려하여 S1330 단계에서 연산된 제1 초기 이상 점수를 보정하는 동작을 수행할 수 있다.

도 10은 본 출원의 일 실시예에 따른 제1 이상 점수를 획득하는 일 양상을 도시한 도면이다.

영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 미리 정의된 시간 주기보다 짧은 주기 내에서 임계치(도 10의 임계치)를 넘은 제1 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 제1 이상 점수를 획득할 수 있다. (S1340) 예컨대, 평가 지표 연산 모듈(1230)은 미리 정의된 주기(예컨대, 5 프레임)보다 짧은 주기 내에서 기준 임계치를 넘은 제1 초기 이상 점수에 대응되는 점수 피크를 제거하여 제1 초기 이상 점수를 보정할 수 있다. 보다 구체적으로 평가 지표 연산 모듈(1230)은 지수 이동 평균(Exponential Moving Average, (EMA) 방법론을 이용하여 제1 초기 이상 점수에 대한 스무딩(smooothing)을 수행하여 노이즈에 대응되는 점수 피크를 제거할 수 있다. 구체적으로, 기준 임계치는 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산된 값일 수 있다. 또한 평가 지표 연산 모듈(1230)은 보정 결과에 따른 시간별 제1 이상 점수를 획득할 수 있다. 이때, 미리 정의된 주기보다 긴 주기에서 기준 임계치를 넘은 제1 초기 이상 점수에 대응되는 점수 피크는 이상 현상으로 인한 점수 피크로 판단되어 제거되지 않는다.

이하에서는 도 11 내지 도 13을 더 참고하여 제2 이상 점수를 획득하는 방법에 대하여 보다 구체적으로 설명하기로 한다. 제2 이상 점수를 획득하는 방법을 설명함에 있어, 도 9 및 도 10과 관련하여 설명하는 내용은 유추적용될 수 있다.

적응 모델을 통하여 제1 공간에 사영된 복원 출력 값을 제2 공간으로 맵핍하여 복원 보정 값을 획득하고, 입력 데이터와 복원 보정 값에 기초하여 제2 이상 점수를 연산하는 단계(S1400)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 적응 모델(1220)을 통하여 출력된 복원 보정 값과 입력 데이터를 비교하고, 복원 보정 값과 입력 데이터의 차이에 기초하여 제2 이상 점수를 획득할 수 있다.

도 11은 본 출원의 일 실시예에 따른 S1400 단계를 구체화한 순서도이다. 본 출원의 일 실시예에 따른 S1400 단계는, 입력 데이터와 복원 보정 값 간의 유사도를 측정하고, 입력 데이터와 복원 보정 값 간의 제2 맵을 생성하는 단계(S1410), 생성된 제2 맵에 기초하여 입력 데이터에 대한 시간별 제2 초기 이상 점수를 연산하는 단계(S1420), 제1 적응 임계값 및 제2 적응 임계값을 포함하는 적응 임계치를 획득하는 단계(S1430), 및 미리 정의된 시간 주기보다 짧은 주기 내에서 적응 임계치를 넘은 제2 초기 이상 점수에 대응되는 점수 피크를 제거하고 시간에 따른 제2 이상 점수를 획득하는 단계(S1440)를 더 포함할 수 있다.

입력 데이터와 복원 보정 값 간의 유사도를 측정하고, 입력 데이터와 복원 보정 값 간의 제2 맵을 생성하는 단계(S1410)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 입력 데이터와 복원 보정 값을 비교하고, 입력 데이터와 복원 보정 값 간의 유사도를 측정할 수 있다. 구체적으로 평가 지표 연산 모듈(1230)은 전술한 바와 같이, 입력 영상과 복원 보정 값(제2 복원 영상)의 유사도를 픽셀 단위로 측정할 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 L1 거리(L1-distance) 혹은 멀티스케일 구조 유사성 지수 측정(Multiscale Structural Similarity Index Measure (MS-SSIM)) 지표를 통하여 입력 영상과 제2 복원 영상 간의 유사도를 측정할 수 있다.

나아가 평가 지표 연산 모듈(1230)은 유사도 측정 결과에 기초하여 제2 맵을 생성할 수 있다. 제2 맵은 입력 영상과 제2 복원 영상 간의 차이가 존재하는 정도에 대한 정보와 입력 영상과 제2 복원 영상 간의 차이가 존재하는 위치에 대한 정보를 포함할 수 있다.

생성된 제2 맵에 기초하여 입력 데이터에 대한 시간별 제2 초기 이상 점수를 연산하는 단계(S1420)에서는, 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 제2 맵으로부터 입력 데이터의 이상 현상 스코어를 연산할 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 제2 맵의 전체 픽셀 영역에 대한 평균이나 최대값을 연산하여 입력 데이터에 포함된 각 프레임에 대한 이상 현상 스코어를 연산할 수 있다. 한편, 평가 지표 연산 모듈(1230)은 시간에 따라 순차적으로 입력된 입력 데이터에 포함된 복수의 프레임들 각각의 이상 현상 스코어를 연산하고, 이에 기초하여 입력 데이터에 대한 시간별 제2 초기 이상 점수를 계산할 수 있다.

한편, 시간에 따른 연속된 값인 제2 초기 이상 점수를, 시간에 따른 이상 현상 발생 여부에 대한 정보(예컨대 True, False 형태)로 변환하기 위하여 임계치(적응 임계치)가 필요하다. 따라서 본 출원의 일 실시예에 따른 평가 지표 연산 모듈(1230)은 임의의 송수신부를 통하여 적응 임계치를 획득할 수 있다. (S1430)

도 12는 본 출원의 일 실시예에 따른 적응 임계치의 양상들을 설명하기 위한 도면이다.

일 예로, 적응 임계치는 고정 임계값(Fixed thershold)일 수 있다. 예컨대, 평가 지표 연산 모듈(1230)은 고정 임계값을 적응 임계치로 획득하고, 후술할 제2 이상 점수가 고정 임계값보다 크거나 같은 경우(예컨대, 도 12(a)의 P2 구간, P3 구간)에는 해당 프레임에 대응되는 시점의 공정이 이상 현상이 존재한다고 판단할 수 있다. 반면 제2 이상 점수가 고정 임계값보다 작은 경우(예컨대, 도 12(a)의 P1 구간)에는 해당 프레임에 대응되는 시점의 공정이 정상이라고 존재한다고 판단할 수 있다.

한편, 복원과 적응이 어려운 시각적 요소가 영상 데이터에 포함된 경우에는, 입력 데이터와 복원 출력 값(혹은 복원 보정 값)의 차이가 상대적으로 커져 도 12(a)의 P3 구간과 같이 제2 이상 점수의 시프트가 발생할 수 있다. 이때, 제2 이상 점수가 고정된 임계값보다 크다면, 영상 이상 감지 모듈(1200)은 대부분의 구간을 이상 현상으로 판단하는 문제가 발생할 수 있다. 또한, 본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은 적응 모델(1220)을 통하여 지속적으로 입력 데이터의 분포를 학습하고 있기 때문에, 시간에 따라 계산되는 제2 이상 점수가 점차 낮아지는 양상을 보일 수 있다. 이때, 고정 임계값을 적응 임계치로 사용하는 경우(도 12(b)의 P2 구간 참고)에는 영상 이상 감지 모듈(1200)의 이상 현상의 검출력이 떨어질 수 있다.

따라서 본 출원의 일 실시예에 따르면, 적응 임계치는 최근의 스코어 측정 양상을 고려한 적응 임계값(Adaptive thershold)일 수 있다. 구체적으로, 적응 임계값은 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산된 값일 수 있다. 일 예로, 적응 임계값은 하기의 수학식에 따라 연산될 수 있다.

이때, 파라미터 N은 가우시안 분포로 가정된 스코어 분포와 예측되는 이상 발생 확률에 대응되는 표준편차 배율로부터 결정될 수 있다.

최근의 스코어 측정 양상을 반영한 적응 임계값을 적응 임계치로 획득하여 이상 현상 여부를 판단함으로써, 본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은 적응 모델을 통한 환경 적응과 입력 데이터 분포 자체의 변화에 영향을 받지 않고 안정적으로 이상 현상을 판별할 수 있다.

도 13은 본 출원의 일 실시예에 따른 적응 임계치의 양상들을 구체적으로 설명하기 위한 도면이다.

일 실시예에 따르면, 적응 모델과 관련된 제2 이상 점수를 획득하는 데 이용되는 적응 임계치는 제1 적응 임계값 및 제2 적응 임계값으로 구성될 수 있다. 전술한 바와 같이 제1 적응 임계값 및 제2 적응 임계값은 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산될 수 있다. 이때, 제1 적응 임계값은 현재 시점으로부터 제1 시간 이전의 점수 이력을 반영하도록 파라미터가 조절되어 연산될 수 있다. 예컨대, 제1 적응 임계값은 현재 시점으로부터 제1 시간 이전까지의 점수를 반영하도록 EMA와 EMVar의 파라미터가 제1 파라미터 조합으로 연산되어 획득될 수 있다. 반면 제2 적응 임계값은 현재 시점으로부터 제2 시간 이전까지의 점수 이력을 반영하도록 파라미터가 조절되어 연산될 수 있다. 이때, 제2 시간은 제1 시간보다는 짧은 시간일 수 있다. 예컨대, 제2 적응 임계값은 현재 시점으로부터 제2 시간 이전까지의 점수를 반영하도록 EMA와 EMVar의 파라미터가 제2 파라미터 조합으로 연산되어 획득될 수 있다. 제2 적응 임계값은 제1 적응 임계값에 비하여 상대적으로 최근 시점까지의 스코어 정보를 학습하여 이를 제2 이상 점수 산정에 반영할 수 있다. 또한 제1 적응 임계값은 제2 적응 임계값에 비하여 상대적으로 긴 시간 단위의 스코어의 변화 양상을 학습하여 이를 제2 이상 점수 산정에 반영하여 이상 현상 판별 성능을 안정성을 보장할 수 있다.

한편 평가 지표 연산 장치(1230)은, 도 10과 관련하여 전술한 바와 유사하게, 촬영 장비의 한계 등으로 인한 노이즈로 인한 점수 피크를 제거하여 제2 초기 이상 점수를 보정하는 동작을 수행할 수 있다. 구체적으로 영상 이상 감지 모듈(1200)의 평가 지표 연산 모듈(1230)은 미리 정의된 시간 주기보다 짧은 주기 내에서 적응 임계치를 넘은 제2 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 제2 이상 점수를 획득할 수 있다. (S1440)

제1 이상 점수 및 제2 이상 점수가 미리 정해진 규칙을 만족하는 지 여부에 따라 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정하는 단계(S1500)에서는, 영상 이상 감지 모듈(1200)은 제1 이상 점수와 기준 임계치 또는 제2 이상 점수와 적응 임계치를 비교하고, 비교 결과가 미리 정해진 규칙을 만족하는 지 여부에 따라 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정할 수 있다.

일 예로, 영상 이상 감지 모듈(1200)은 제1 이상 점수 및 제1 이상 점수와 관련된 기준 임계치(예컨대, 고정 임계값의 형태 혹은 적응 임계값의 형태)에 기초하여 실시간 영상에 대응되는 시점의 공정의 이상 여부를 판단할 수 있다. 예컨대, 제1 이상 점수가 기준 임계치보다 작거나 같은 경우에는 실시간 영상에 대응되는 시점의 공정이 정상이라고 판단할 수 있다. 예컨대, 제1 이상 점수가 기준 임계치보다 큰 경우에는 실시간 영상에 대응되는 시점의 공정에 이상 현상이 존재하거나 이상 현상 가능성이 존재한다고 판단할 수 있다.

일 예로, 영상 이상 감지 모듈(1200)은 제2 이상 점수 및 제2 이상 점수와 관련된 적응 임계치(예컨대, 도 13의 제1 적응 임계값 혹은 제2 적응 임계값)에 기초하여 실시간 영상에 대응되는 시점의 공정의 이상 여부를 판단할 수 있다. 예컨대, 제2 이상 점수가 제1 적응 임계값 및 제2 적응 임계값 중 적어도 하나보다 작거나 같은 경우에는 실시간 영상에 대응되는 시점의 공정이 정상이라고 판단할 수 있다. 예컨대, 제2 이상 점수가 제1 적응 임계값 및 제2 적응 임계값보다 큰 경우(예컨대, 도 13의 P4 구간의 경우)에는 실시간 영상에 대응되는 시점의 공정에 이상 현상이 존재하거나 이상 현상 가능성이 존재한다고 판단할 수 있다.

일 예로, 영상 이상 감지 모듈(1200)은 제1 이상 점수 및 제1 이상 점수와 관련된 기준 임계치에 기초하여 공정의 이상 여부를 1차적으로 판단하고, 제2 이상 점수 및 제2 이상 점수와 관련된 적응 임계치에 기초하여 공정의 이상 여부를 2차적으로 검증하도록 구현될 수 있다. 예컨대, 영상 이상 감지 모듈(1200)은 제1 이상 점수가 기준 임계치보다 큰 경우에 한해, 제2 이상 점수 및 제2 이상 점수와 관련된 적응 임계치에 기초하여 공정의 이상 여부를 판단하도록 제어될 수 있다.

일 예로, 영상 이상 감지 모듈(1200)은 하기의 수학식에 기초하여 최종 이상 점수를 연산하고, 최종 이상 점수에 기초하여 공정의 이상 여부를 판단할 수 있다.

이때,

는 EMA 기법을 통하여 스무딩된 스코어이며,

는 현재 트래킹하고 있는 이동평균값,

는 이동분산값, N은 표준편차 배율,

는 정규화된 제2 이상 점수,

는 정규화된 제1 이상 점수를 의미한다. 한편,

중 가장 작은 값이 최종 이상 점수로 연산될 수 있으며, 영상 이상 감지 모듈(1200)은 최종 이상 점수가 1보다 큰 경우 이상 현상이 존재한다고 판단하고, 최종 이상 점수가 1 이하인 경우에 이상 현상이 존재하지 않는다고 판단하도록 제어될 수 있다.

다만, 앞서 설명한 규칙들은 예시에 불과하며, 임의의 적절한 규칙에 따라 영상 이상 감지 모듈이 제1 이상 점수와 제2 이상 점수로부터 공정의 이상 여부를 판단하도록 구현될 수 있을 것이다.

결정된 공정의 이상 여부에 대한 정보를 송신하는 단계(S1600)에서는, 영상 이상 감지 모듈(1200)은 공정의 이상 여부에 대한 판단 결과를 공정 제어 장치(1000)의 각 모듈로 송신하도록 구현될 수 있다. 영상 이상 감지 모듈(1200)은 공정의 이상 여부에 대한 판단 결과를 제어 모듈(1700)로 송신할 수 있다. 공정의 이상 여부에 대한 판단 결과를 수신한 제어 모듈(1700)은, 영상 분류 모듈(1300)로부터 수신한 분류값 및 영상 이상 감지 모듈(1200)로부터 수신한 공정의 이상 여부에 대한 판단 결과에 기초하여 공정을 제어하도록 구성될 수 있다.

본 출원의 일 실시예에 따른 영상 이상 감지 모듈(1200)은 적응 모델(1220)을 통하여 공정 환경의 변화를 지속적으로 학습하여 실시간으로 검사에 반영함으로써, 공정 환경의 변화에 유연하게 대응하여 공정의 이상 여부를 감지할 수 있다.

도 6 내지 도 13에서는 영상 이상 감지 모듈(1200)이 복원 모델 및/또는 적응 모델을 훈련시키는 것으로 설명하였다. 다만 이는 예시에 불과하며, 복원 모델 및/또는 적응 모델은 임의의 외부 장치 또는 임의의 외부 서버에서 훈련되도록 구성될 수 있다.

이하에서는 도 14 내지 도 17을 참고하여 본 출원의 일 실시예에 따른 영상 분류 모듈(1300)에 대하여 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 통하여 특정 이상 현상 혹은 특정 정상 동작을 분류할 수 있다. 예컨대, 분류 모델은 영상 데이터 및 영상 데이터에 할당된 특정 이상 현상 혹은 특정 정상 동작(예컨대, 드물게 발생하는 정상 동작)과 관련된 레이블 정보로 구성된 학습 데이터 셋을 이용하여 지도 학습 방식으로 훈련될 수 있다. 이때, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 통하여, 영상 데이터에 포함된 특정 이상 현상과 관련된 영상을 제1 카테고리로 분류하고, 영상 데이터에 포함된 특정 정상 동작과 관련된 영상을 제2 카테고리로 분류하도록 구성될 수 있다.

도 14는 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법을 나타낸 순서도이다. 본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법은 영상 분류 모듈(1300)에 의하여 수행될 수 있다.

본 출원의 일 실시예에 따른 공정의 이상 여부 감지 방법은, 학습이 완료된 분류 모델, 및 복수의 프레임을 포함하는 영상 데이터를 획득하는 단계(S2110), 분류 모델을 통하여, 복수의 프레임 각각을 미리 정의된 카테고리별로 분류하고, 분류값을 획득하는 단계(S2120), 및 분류값을 송신하는 단계(S2130)를 포함할 수 있다.

학습이 완료된 분류 모델, 및 복수의 프레임을 포함하는 영상 데이터를 획득하는 단계(S2110)에서는, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델과 실시간 공정 영상과 관련된 복수의 프레임을 포함하는 영상 데이터를 획득할 수 있다. 구체적으로 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 실행시키기 위한 실행 데이터를 획득할 수 있다. 여기서, 실행 데이터란 분류 모델의 계층 정보, 연산 정보, 및/또는 분류 모델의 가중치(혹은 파라미터) 등을 포함하여 분류 모델을 실행시키기 위하여 필요한 임의의 데이터를 포괄하는 의미일 수 있다. 또한, 영상 분류 모듈(1300)은, 영상 획득 모듈(1100)을 통하여, 실시간 공정 영상과 관련된 영상 데이터를 획득할 수 있다. 영상 데이터는 실시간 공정 영상과 관련된 검사 대상 프레임을 포함하여 복수의 프레임들을 포함하는 프레임 시퀀스를 지칭할 수 있다.

분류 모델을 통하여, 복수의 프레임 각각을 미리 정의된 카테고리별로 분류하고, 분류값을 획득하는 단계(S2120)에서는, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 통하여 검사 대상 프레임을 포함하여 영상 데이터에 포함된 복수의 프레임 각각을 미리 정의된 카테고리별로 분류할 수 있다. 구체적으로 영상 분류 모듈(1300)은 분류 모델에 영상 데이터를 입력하고, 분류 모델을 통하여 출력되는 분류값을 획득할 수 있다. 후술할 바에 따르면, 분류 모델은 공정 영상과 관련된 영상 데이터, 및 제1 프레임에 할당된 제1 레이블과 제2 프레임에 할당된 제2 레이블을 포함하는 레이블 정보로 구성된 학습 데이터 셋을 이용하여, 영상 데이터에 기초하여 레이블 정보를 출력하도록 훈련되었기 때문에, 영상 분류 모듈(1300)은 학습이 완료된 분류 모델을 통하여, 실시간 공정 영상과 관련된 영상 데이터로부터 레이블 정보에 대응되는 분류값을 획득할 수 있다.

한편 미리 정의된 카테고리는, 고정적으로 발생하는 특정 이상 동작과 관련된 제1 카테고리 및/또는 정상 동작에 포함되는 동작이나 일반적인 정상 동작과는 상이한 동작과 관련된 제2 카테고리와 관련될 수 있다.

분류값을 송신하는 단계(S2130)에서는, 영상 분류 모듈(1300)은 분류값을 공정 제어 장치(1000)의 각 모듈로 송신하도록 구현될 수 있다. 예컨대, 영상 분류 모듈(1300)은 분류값을 제어 모듈(1700)로 송신할 수 있다. 분류값을 수신한 제어 모듈(1700)은 분류값에 기초하여 공정을 제어하도록 구현될 수 있다. 예컨대 제어 모듈(1700)은 영상 분류 모듈(1300)로부터 수신한 분류값 및 영상 이상 감지 모듈(1000)를 통하여 획득한 공정의 이상 여부에 대한 정보에 기초하여 공정을 제어하도록 구성될 수 있다.

도 15는 본 출원의 일 실시예에 따른 분류 모델의 학습 방법을 도시한 순서도이다. 분류 모델의 학습 방법은 영상 분류 모듈(1300) 혹은 임의의 외부 장치(혹은 외부 서버)를 통하여 수행될 수 있다.

본 출원의 일 실시예에 따른 분류 모델의 학습 방법은, 복수의 프레임을 포함하는 영상 데이터, 및 제1 프레임에 할당된 제1 레이블과 제2 프레임에 할당된 제2 레이블을 포함하는 레이블 정보로 구성된 초기 학습 데이터 셋을 획득하는 단계(S2210), 제1 프레임 또는 제2 프레임을 가중 샘플링(weighted sampling)하여 학습 데이터 셋을 획득하는 단계(S2220), 학습 데이터 셋을 분류 모델에 입력하고, 분류 모델을 통하여 출력된 예측값을 획득하는 단계(S2230), 및 예측 값과 레이블 정보에 기초하여 분류 모델에 포함된 가중치를 갱신하는 단계(S2240)를 포함할 수 있다.

복수의 프레임을 포함하는 영상 데이터, 및 제1 프레임에 할당된 제1 레이블과 제2 프레임에 할당된 제2 레이블을 포함하는 레이블 정보로 구성된 초기 학습 데이터 셋을 획득하는 단계(S2210)에서는, 영상 분류 모듈(1300)은 임의의 송수신부를 통하여 초기 학습 데이터 셋을 획득할 수 있다. 구체적으로 영상 분류 모듈(1300)은 공정과 관련된 복수의 프레임을 포함하는 영상 데이터, 및 복수의 프레임에 포함된 각 프레임들에 할당된 레이블 정보로 구성된 초기 학습 데이터 셋을 획득할 수 있다. 이때, 레이블 정보는 복수의 프레임에 포함된 제1 프레임에 할당된 제1 레이블과 복수의 프레임에 포함된 제2 프레임에 할당된 제2 레이블을 포함할 수 있다. 제1 레이블은 제1 프레임에 대응되는 공정이 정상적으로 동작하고 있음을 나타내는 제1 정보를 포함할 수 있다. 구체적으로, 제1 레이블은 제1 프레임에 대응되는 공정이 일반적인 정상 동작과는 일부 상이하나, 정상적으로 동작하고 있음을 나타내는 제1 정보를 포함할 수 있다. 예컨대, 전술한 영상 이상 감지 모듈(1200)이 공정의 정상 동작 중 일반적인 정상 동작과는 다른 특정 정상 동작들을 이상 동작으로 검출할 가능성이 존재한다. 본 출원의 일 예에 따르면, 특정 정상 동작과 관련된 프레임(제1 프레임)에, 해당 프레임에 대응되는 공정이 정상적으로 동작하고 있음을 나타내는 제1 정보를 할당하여 분류 모델을 훈련시킴으로써, 분류 모델이 특정 정상 동작을 검출하도록 구현될 수 있다.

또한, 제2 레이블은 제2 프레임에 대응되는 공정이 특정 이상 동작과 관련됨을 나타내는 제2 정보를 포함할 수 있다. 예컨대, 전술한 영상 이상 감지 모듈(1200)이 공정에 실제로 이상이 존재하나 검출하지 못하는 특정 동작이 존재할 수 있다. 본 출원의 일 예에 따르면, 특정 동작과 관련된 프레임(제2 프레임)에, 해당 프레임에 대응되는 공정이 특정 이상 동작과 관련됨을 나타내는 제2 정보를 할당하여 분류 모델을 훈련시킴으로써, 분류 모델이 특정 이상 동작을 검출하도록 구현될 수 있다.

제1 프레임 또는 제2 프레임을 가중 샘플링(weighted sampling)하여 학습 데이터 셋을 획득하는 단계(S2220)에서는, 영상 분류 모듈(1300)은 특정 정상 동작과 관련된 제1 프레임, 또는 특정 이상 동작과 관련된 제2 프레임을 가중 샘플링(weighted sampling)하여, 초기 학습 데이터 셋으로부터 학습 데이터 셋을 획득할 수 있다.

도 16은 본 출원의 일 실시예에 따른 학습 데이터 셋을 획득하는 일 양상을 도시한 도면이다.

전술한 제1 프레임과 관련된 특정 정상 동작과 제2 프레임과 관련된 특정 정상 동작은 전체 공정 상에서 드물게 발생한다. 따라서, 제1 프레임 및/또는 제2 프레임은 초기 학습 데이터 셋에 포함된 전체 프레임에서 매우 낮은 비율을 차지할 수 있다. 이러한 초기 학습 데이터 셋을 이용하여 학습된 분류 모델은, 초기 학습 데이터 셋의 클래스 임밸런스(class imbalance) 문제로 인하여 제1 프레임과 관련된 특정 정상 동작과 제2 프레임과 관련된 특정 이상 동작을 분류하지 못하도록 학습될 가능성이 높다. 따라서, 본 출원의 일 실시예에 따른 영상 분류 모듈(1300)은 제1 레이블로 할당된 제1 프레임과 제2 레이블로 할당된 제2 프레임을 추가로 샘플링(sampling)하여 학습 데이터 셋을 획득하도록 구현될 수 있다. 예컨대, 영상 분류 모듈(1300)은 제1 프레임과 제2 프레임을 추가로 샘플링하여, 제1 프레임과 제2 프레임의 비율이 증가된 학습 데이터 셋을 획득할 수 있다. 이를 통하여, 본 출원의 일 실시예에 따른 영상 분류 모듈(1300)은 초기 학습 데이터 셋의 클래스 임밸런스(class imbalance) 문제를 해결하여, 제1 프레임과 관련된 특정 정상 동작과 제2 프레임과 관련된 특정 이상 동작을 분류할 수 있는 분류 모델을 훈련시킬 수 있다.

도 17은 본 출원의 일 실시예에 따른 분류 모델의 학습 양상을 도시한 도면이다.

학습 데이터 셋을 분류 모델에 입력하고, 분류 모델을 통하여 출력된 예측값을 획득하는 단계(S2230)에서는, 영상 분류 모듈(1300)은 학습 데이터 셋을 분류 모델에 입력하고, 분류 모델을 통하여 출력된 예측 값을 획득할 수 있다. 이때, 예측 값은 레이블 정보에 대응되는 값 및/또는 레이블 정보에 대응될 확률 값일 수 있다. 일 예로, 영상 분류 모듈(1300)은 학습 데이터 셋에 포함된 제1 프레임을 분류 모델에 입력하고, 분류 모델을 통하여 제1 프레임에 기초하여 출력된 제1 예측 값을 획득할 수 있다. 다른 예로, 영상 분류 모듈(1300)은 학습 데이터 셋에 포함된 제2 프레임을 분류 모델에 입력하고, 분류 모델을 통하여 제2 프레임에 기초하여 출력된 제2 예측 값을 획득할 수 있다.

예측 값과 레이블 정보에 기초하여 분류 모델에 포함된 가중치를 갱신하는 단계(S2240)에서는, 영상 분류 모듈(1300)은 예측 값과 레이블 정보에 기초하여 분류 모델에 포함된 가중치(혹은 파라미터)를 갱신할 수 있다. 일 예로, 영상 분류 모듈(1300)은 제1 프레임으로부터 획득된 제1 예측 값과 제1 프레임에 대응되는 제1 레이블에 기초하여 분류 모델과 관련된 가중치를 조절할 수 있다. 예컨대, 영상 분류 모듈(1300)은 제1 예측 값과 제1 레이블의 차이에 기초하여 분류 모델과 관련된 가중치를 조절할 수 있다. 다른 예로, 영상 분류 모듈(1300)은 제2 프레임으로부터 획득된 제2 예측 값과 제2 프레임에 대응되는 제2 레이블에 기초하여 분류 모델과 관련된 가중치를 조절할 수 있다. 예컨대, 영상 분류 모듈(1300)은 제2 예측 값과 제2 레이블의 차이에 기초하여 분류 모델과 관련된 가중치를 조절할 수 있다.

본 출원의 일 실시예에 따른 영상 분류 모듈에 따르면, 정상 동작을 이상 동작으로 검출하는 과검출 현상과 이상 동작을 검출하지 못하는 미검출 현상을 방지하여, 공정 이상 감지의 정확도를 증대시킬 수 있다.

도 15 내지 도 17에서는 영상 분류 모듈(1300)이 분류 모델을 훈련시키는 것으로 설명하였다. 다만 이는 예시에 불과하며, 분류 모델은 임의의 외부 장치 또는 임의의 외부 서버에서 훈련되도록 구성될 수 있다.

이하에서는 도 18 내지 도 21을 참고하여 본 출원의 일 실시예에 따른 모션 감지 모듈(1400)에 대하여 보다 구체적으로 서술하기로 한다.

도 18은 본 출원의 일 실시예에 따른 공정의 움직임을 감지하는 방법을 나타낸 순서도이다. 본 출원의 일 실시예에 따른 공정의 모션 감지 방법은 모션 감지 모듈(1400)에 의하여 수행될 수 있다.

본 출원의 일 실시예에 따른 공정의 모션 감지 방법은, 검사 대상 프레임을 포함하는 프레임 시퀀스를 획득하는 단계(S3100), 윈도우 사이즈에 대한 제1 파라미터, 및 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득하는 단계(S3200), 프레임 시퀀스에 포함된 각각의 프레임으로부터 프레임 차이값(frame difference value)을 획득하는 단계(S3300), 제1 파라미터에 기초하여 연속된 프레임 차이값들의 합이 최대가 되며, 검사 대상 프레임을 포함하는 윈도우를 획득하는 단계(S3400), 제2 파라미터에 따라 정해진 임계값보다 작은 프레임 차이값을 가지는 후보 프레임들을 획득하고, 후보 프레임들의 수의 윈도우에 포함된 프레임들의 수에 대한 제1 비율을 획득하는 단계(S3500), 제1 비율이 미리 정해진 기준 비율보다 작으면 동작 상태로 원시 결정하고, 제1 비율이 미리 정해진 기준 비율보다 크면 정지 상태로 원시 결정하는 단계(S3600), 원시 결정에 기초하여 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 결정하는 단계(S3700), 및 결정된 공정의 동작 여부를 송신하는 단계(S3800)를 포함할 수 있다.

도 19는 본 출원의 일 실시예에 따른 공정의 모션 감지 방법의 일 양상을 도시한 도면이다.

검사 대상 프레임을 포함하는 프레임 시퀀스를 획득하는 단계(S3100)에서는, 모션 감지 모듈(1400)은 영상 획득 모듈(1100)을 통하여 검사 대상 프레임을 포함하는 프레임 시퀀스를 획득할 수 있다. 구체적으로 모션 감지 모듈(1400)의 동작 감지자(1410)는 영상 획득 모듈(1100)을 통하여 검사 대상 프레임을 포함하는 프레임 시퀀스를 획득할 수 있다.

윈도우 사이즈에 대한 제1 파라미터, 및 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득하는 단계(S3200)에서는, 모션 감지 모듈(1400)은 윈도우 사이즈와 관련된 제1 파라미터, 및 결정 규칙의 프레임 차이값과 관련된 임계값에 대한 제2 파라미터를 획득할 수 있다.

이하에서는 도 20 및 도 21을 참고하여 제1 파라미터 및 제2 파라미터를 획득하는 양상들에 대하여 보다 구체적으로 서술하기로 한다. 도 20은 본 출원의 일 실시예에 따른 제1 파라미터 및 제2 파라미터를 획득하는 일 양상을 도시한 도면이다. 도 21은 본 출원의 일 실시예에 따른 제1 파라미터 및 제2 파라미터를 획득하는 다른 양상을 도시한 도면이다.

본 출원의 일 실시예에 따른 모션 감지 모듈(1400)은 전술한 윈도우 사이즈와 관련된 제1 파라미터, 및/또는 결정 규칙의 프레임 차이값과 관련된 임계값과 관련된 제2 파라미터를 결정하고, 동작 감지자(1410)를 튜닝하는 동작을 수행할 수 있다.

도 20을 참고하면, 모션 감지 모듈(1400)은 동작 중인 공정 영상에 대응되는 동작 프레임 시퀀스 및 정지 중인 공정 영상에 대응되는 정지 프레임 시퀀스를 획득할 수 있다. 이때, 동작 프레임 시퀀스와 정지 프레임 시퀀스의 길이는 공정의 적어도 하나 이상의 사이클에 대응되는 길이일 수 있다.

또한 모션 감지 모듈(1400)은 동작 프레임 시퀀스로부터 동작 프레임 차이값을 연산하고, 정지 프레임 시퀀스로부터 정지 프레임 차이값을 연산할 수 있다. 구체적으로 모션 감지 모듈(1400)은 동작 감지자(1410)를 통하여, 동작 프레임 시퀀스에 포함된 제1 동작 프레임과 제1 동작 프레임에 인접한 제2 동작 프레임 간 프레임 차이값(frame different values)을 획득할 수 있다. 또한, 모션 감지 모듈(1400)은 동작 감지자(1410)를 통하여, 정지 시퀀스에 포함된 제1 정지 프레임과 제1 정지 프레임에 인접한 제2 정지 프레임 간 프레임 차이값(frame different values)을 획득할 수 있다. 여기서 프레임 차이값이란 각 프레임 시퀀스에 포함된 프레임 간의 픽셀값의 차이와 관련된 값을 나타내는 의미일 수 있다. 구체적으로 프레임 차이값이란 각 프레임 시퀀스에 포함된 프레임 간의 픽셀값(RGB 값)의 차이의 절대값의 평균일 수 있다.

또한 모션 감지 모듈(1400)은, 동작 감지자(1410)가 동작 프레임 시퀀스에 포함된 프레임들을 동작으로 원시 결정하고 정지 프레임 시퀀스에 포함된 프레임들을 정지로 판단하도록, 윈도우 사이즈와 관련된 제1 파라미터와 결정 규칙의 프레임 차이값과 관련된 임계값과 관련된 제2 파라미터를 결정하도록 구성될 수 있다. 이때, 모션 감지 모듈(1400)은 임의의 파라미터 서치 기법(예컨대, 베이지안 최적화(Bayesian Optimization), 브루트 포스(brute force), 랜덤 서칭(Random searching))을 활용하여 제1 파라미터 및 제2 파라미터를 최적화하도록 구현될 수 있다.

한편, 공정에서 정지 상태의 공정 영상을 획득하는 것이 어려운 경우가 존재할 수 있다. 이때, 본 출원의 일 실시예에 따른 모션 감지 모듈(1400)은 가상 정지 생성자(1420)를 통하여 동작 프레임 시퀀스로부터 정지 프레임 차이값을 연산하고, 제1 파라미터 및 제2 파라미터를 최적화하도록 구현될 수 있다.

도 21을 참고하면, 모션 감지 모듈(1400)은 동작 중인 공정 영상에 대응되는 동작 프레임 시퀀스를 획득하고, 동작 감지자(1410)를 통하여 동작 프레임 시퀀스로부터 동작 프레임 차이값을 연산할 수 있다. 또한, 모션 감지 모듈(1400)은 동작 프레임 차이값들의 평균(mean,

)과 표준 편차(standard deviation,

)를 연산할 수 있다. 이때, 모션 감지 모듈(1400)의 가상 정지 생성자(1420)는 동작 프레임 차이값들의 평균(mean,

)과 표준 편차(standard deviation,

)에 기초하여 정지 프레임 차이값을 생성하도록 구성될 수 있다. 예컨대, 가상 정지 생성자(1410)는 평균(

)과 미리 정해진 제1 상수(

)에 기초한 보정 평균(

), 및 표준 편차(

)와 미리 정해진 제2 상수(

)에 기초한 보정 표준 편차(

)를 연산하고, 보정 평균과 보정 표준 편차를 가지는 가우시안 분포로부터 미리 정해진 수만큼 샘플을 샘플링할 수 있다. 여기서, 보정 평균은 평균보다 작고, 보정 표준 편차는 표준 편차보다 작도록 보정될 수 있다.

나아가, 가상 정지 생성자(1420)는 샘플링된 샘플을 정지 영상에 대한 정지 프레임 차이값들로 결정할 수 있다. 나아가 모션 감지 모듈(1400)은 전술한 바와 같이 동작 프레임 차이값과 결정된 정지 프레임 차이값에 기초하여 제1 파라미터와 제2 파라미터를 최적화할 수 있다.

다시 도 19를 참고하면, 프레임 시퀀스에 포함된 각각의 프레임으로부터 프레임 차이값(frame difference value)을 획득하는 단계(S3300)에서는, 모션 감지 모듈(1400)은 검사 대상 프레임을 포함하여 프레임 시퀀스에 포함된 각각의 프레임으로부터 프레임 차이값(frame different values)을 추출할 수 있다. 구체적으로 모션 감지 모듈(1400)은 동작 감지자(1410)를 통하여, 프레임 시퀀스에 포함된 제1 프레임(예컨대, 검사 대상 프레임)과 제1 프레임에 인접한 제2 프레임(예컨대, 검사 대상 프레임의 이전 프레임 혹은 검사 대상 프레임의 다음 프레임) 간의 프레임 차이값을 추출할 수 있다. 여기서 프레임 차이값은, 전술한 바와 같이, 각 프레임 시퀀스에 포함된 프레임 간의 픽셀값의 차이와 관련된 값을 나타내는 의미일 수 있다. 예컨대, 프레임 차이값이란 각 프레임 시퀀스에 포함된 프레임 간의 픽셀값(RGB 값)의 차이의 절대값의 평균일 수 있다.

제1 파라미터에 기초하여 연속된 프레임 차이값들의 합이 최대가 되며, 검사 대상 프레임을 포함하는 윈도우를 획득하는 단계(S3400)에서는, 모션 감지 모듈(1400)은 윈도우 사이즈와 관련된 제1 파라미터를 이용하여, 연속된 프레임 차이값들의 합이 최대가 되며, 검사 대상 프레임을 포함하는 윈도우를 획득할 수 있다. 구체적으로 모션 감지 모듈(1410)의 동작 감지자(1410)는 제1 파라미터를 이용하여, 연속된 차이값들의 합이 최대가 되는 윈도우를 슬라이딩 윈도우(sliding-window) 방식으로 탐색할 수 있다.

제2 파라미터에 따라 정해진 임계값보다 작은 프레임 차이값을 가지는 후보 프레임들을 획득하고, 후보 프레임들의 수의 윈도우에 포함된 프레임들의 수에 대한 제1 비율을 획득하는 단계(S3500)에서는, 모션 감지 모듈(1400)의 동작 감지자(1410)는 윈도우에 포함된 프레임 중에서 결정 규칙과 관련된 제2 파라미터에 따라 정해진 임계값보다 작은 프레임 차이값을 가지는 후보 프레임들을 획득할 수 있다. 또한 동작 감지자(1410)는 후보 프레임들의 수의 윈도우에 포함된 프레임 수에 대한 제1 비율을 연산할 수 있다.

제1 비율이 미리 정해진 기준 비율보다 작으면 동작 상태로 원시 결정하고, 제1 비율이 미리 정해진 기준 비율보다 크면 정지 상태로 원시 결정하는 단계(S3600)에서는, 모션 감지 모듈(1400)의 동작 감지자(1410)는 제1 비율이 결정 규칙의 미리 정해진 기준 비율보다 작은 지 여부를 판단할 수 있다. 구체적으로 동작 감지자(1410)는 제1 비율이 결정 규칙의 미리 정해진 기준 비율보다 작다고 판단된 경우에는 검사 대상 프레임을 동작 상태로 원시 결정할 수 있으며, 제1 비율이 결정 규칙의 미리 정해진 기준 비율보다 크다고 판단된 경우에는 검사 대상 프레임을 정지 상태로 원시 결정하도록 구현될 수 있다. 또한, 동작 감지자(1410)는 검사 대상 프레임에 대한 원시 결정을 원시 결정 버퍼(raw decision buffer)에 추가할 수 있다.

나아가 동작 감지자(1410)는 검사 대상 프레임에 인접한 적어도 하나 이상의 프레임들(예컨대, 검사 대상 프레임 이후(혹은 이전)의 적어도 하나 이상의 프레임들)에 대하여도 S3300 내지 S3600 단계를 반복적으로 수행하여, 검사 대상 프레임에 인접한 인접 프레임들에 대한 원시 결정을 획득할 수 있다.

원시 결정에 기초하여 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 결정하는 단계(S3700)에서는, 모션 감지 모듈(1400)의 동작 감지자(1410)는 검사 대상 프레임에 대한 원시 결정 및 검사 대상 프레임에 인접한 인접 프레임들에 대한 원시 결정에 기초하여 검사 대상 프레임에 대응되는 시점의 공정의 동작 여부를 판단하도록 구현될 수 있다. 구체적으로 동작 감지자(1410)는 인접 프레임들에 대한 원시 결정과 검사 대상 프레임에 대한 원시 결정이 모두 동작 상태로 판단된 경우에는 검사 대상 프레임에 대응되는 시점의 공정 상태를 동작 상태로 결정할 수 있다. 반면, 동작 감지자(1410)는 인접 프레임들에 대한 원시 결정 및 검사 대상 프레임에 대한 원시 결정 중 적어도 하나가 정지 상태로 판단된 경우에는 검사 대상 프레임에 대응되는 시점의 공정 상태를 정지 상태로 결정하도록 구현될 수 있다.

결정된 공정의 동작 여부를 송신하는 단계(S3800)에서는, 모션 감지 모듈(1400)은 동작 감지자(1410)를 통하여 결정된 공정의 동작 여부와 관련된 정보를 공정 제어 장치(1000)의 각 모듈로 송신할 수 있다. 일 예로, 공정이 동작 중이라고 결정된 경우에는, 제어 모듈(1700)은 해당 정보를 수신하여 영상 이상 감지 모듈(1200)과 영상 분류 모듈(1300)을 통하여 공정의 이상 여부를 분석하도록 제어하고, 분석 결과를 획득하도록 구현될 수 있다. 다른 예로, 공정이 정지 후 재가동되었다고 판단된 경우에는, 제어 모듈(1700)은 해당 정보를 수신하여 도메인 변화 감지 모듈(1500)과 영상 이상 감지 모듈(1200)을 통하여 도메인이 변화하였는지 판단하도록 제어할 수 있다. 또 다른 예로, 공정이 정지 상태라고 판단된 경우에는, 제어 모듈(1700)은 해당 정보를 수신하여 공정 제어 장치(1000)가 비활성되도록 제어할 수 있다.

본 출원의 일 실시예에 따른 모션 감지 모듈(1400)에 따르면, 공정의 환경 변화를 판단하기 위하여 기준이 되는 공정의 정지 여부와 공정의 재가동 시점을 분석할 수 있으며, 이를 통하여 공정의 환경이 변화하더라도 유연하게 공정의 이상 여부를 감지할 수 있다.

이하에서는 도 22 내지 도 26을 참고하여 본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)에 대하여 보다 구체적으로 서술하기로 한다.

본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)은 공정의 촬영 환경이 변화된 경우(예컨대, 카메라의 촬영 정보가 변경된 경우) 프레임에 포함된 검사를 원하는 영역(지정 검사 영역)을 검색하고, 지정 검사 영역을 조정하는 동작을 수행할 수 있다. 이때, 검사 영역 탐색 모듈(1600)은 템플릿 매칭 기법을 활용하여 현재의 공정과 관련된 영상의 지정 검사 영역의 변화를 감지할 수 있으며, 변화가 감지된 경우 지정 검사 영역을 조정할 수 있다.

도 22는 본 출원의 일 실시예에 따른 공정의 검사 영역을 조정하는 방법을 나타낸 순서도이다. 본 출원의 일 실시예에 따른 공정의 검사 영역 조정 방법은 검사 영역 탐색 모듈(1600)에 의하여 수행될 수 있다.

본 출원의 일 실시예에 따른 공정의 검사 영역 조정 방법은, 적어도 하나의 대상 프레임과 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득하는 단계(S4100), 대상 프레임과 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성하는 단계(S4200), 유사도 스코어가 가장 높은 유사도 맵의 위치 좌표에 기초하여 대상 프레임의 최종 매칭 좌표를 획득하는 단계(S4300), 기준 템플릿으로부터 추출된 위치 좌표와 최종 매칭 좌표를 비교하여 대상 프레임과 대상 프레임의 이전 프레임을 촬영한 카메라의 촬영 환경의 변화를 판단하는 단계(S4400), 카메라의 촬영 환경이 변화되었다고 판단된 경우, 기준 템플릿으로부터 추출된 위치 좌표와 최종 매칭 좌표의 변위를 연산하고 변위에 기초하여 카메라의 검사 영역 좌표를 조정하는 단계(S4500), 및 조정된 검사 영역 좌표에 기초하여 대상 프레임으로부터 지정 검사 영역을 추출하고, 추출된 지정 검사 영역을 송신하는 단계(S4600)를 포함할 수 있다.

적어도 하나의 대상 프레임과 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득하는 단계(S4100)에서는, 검사 영역 탐색 모듈(1600)은, 영상 획득 모듈(1100)을 통하여 적어도 하나의 대상 프레임을 획득할 수 있다. 여기서, 대상 프레임은 도 2 내지 도 5에서 전술한 프리 크롭(Pre-Crop)된 영상 데이터를 지칭하는 의미일 수 있다. 예컨대, 대상 프레임은 지정 검사 영역을 포함하면서 지정 검사 영역보다 넓은 영역을 포함하는 영상 데이터일 수 있다.

적어도 하나의 대상 프레임과 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득하는 단계(S4100)에서는, 검사 영역 탐색 모듈(1600)은, 템플릿 선정 모듈(1610)을 통하여 선정된 적어도 하나의 기준 템플릿을 포함하는 기준 템플릿 세트를 획득할 수 있다.

이하에서는 도 23을 참고하여 본 출원의 일 실시예에 따른 기준 템플릿을 선정하는 양상을 설명하기로 한다. 도 23은 본 출원의 일 실시예에 따른 기준 템플릿을 선정하는 일 양상을 도시한 도면이다.

일 실시예에 따르면, 템플릿 선정 모듈(1610)은 영상 프레임으로부터 검사 영역 조정을 위한 주요 프레임(템플릿)을 추출할 수 있다. 구체적으로 도 23(a)를 참고하면, 템플릿 선정 모듈(1610)은 정상 동작 상태에 대응되는 복수의 공정 영상 프레임을 획득하고, 공정 영상 프레임을 프리 크롭(pre-crop)하여 확장 검사 영역을 포함하는 템플릿 후보들(혹은 후보 프레임들)을 추출하고, 추출된 템플릿 후보들 중에서 기준 템플릿을 선정하도록 구현될 수 있다. 이때, 템플릿 선정 모듈(1610)은 확장 검사 영역이 지정 검사 영역을 포함하도록 공정 영상 프레임을 프리 크롭(pre-crop)할 수 있다. 예컨대, 기준 템플릿에 포함된 확장 검사 영역의 넓이는 지정 검사 영역의 넓이보다 클 수 있다. 예컨대, 기준 템플릿에 포함된 확장 검사 영역의 넓이는 지정 검사 영역의 넓이의 1.1배 내지 2배의 범위일 수 있다. 예컨대, 기준 템플릿에 포함된 확장 검사 영역의 넓이는 지정 검사 영역의 넓이의 1.2배 내지 2배의 범위일 수 있다. 예컨대, 기준 템플릿에 포함된 확장 검사 영역의 넓이는 지정 검사 영역의 넓이의 1.3배 내지 2배의 범위일 수 있다. 예컨대, 기준 템플릿에 포함된 확장 검사 영역의 넓이는 지정 검사 영역의 넓이의 1.4배 내지 2배의 범위일 수 있다. 다만 이는 예시에 불과하며, 임의의 적절한 범위로 확장 검사 영역이 획득될 수 있다.

기준 템플릿이 지정 검사 영역 이외의 영역을 포함하여 획득됨에 따라, 기준 템플릿이 시각적 요소(visual feature)를 충분히 포함할 수 있어, 템플릿 매칭 안정성을 높일 수 있다.

일 실시예에 따르면, 템플릿 선정 모듈(1610)은 공정 영상 프레임들 중에서 선명한 프레임들을 후보 프레임들로 추출할 수 있다. 구체적으로 도 23(b)를 참고하면, 템플릿 선정 모듈(1610)은 공정 영상 프레임에 라플라시안 필터(Laplacian Filter)를 적용하여 경계선 이미지(edge image)를 획득할 수 있다. 라플라시안 필터는 이미지 내 인접한 영역 사의 픽셀 값의 변화도를 연산하는 필터로서, 인접한 영역 사이에 편차가 존재하면 편차가 발생한 영역 간의 경계에 높은 값을 할당하는 필터이다. 또한 템플릿 선정 모듈(1610)은 경계선 이미지(edge image)를 구성하는 픽셀 값들의 분산을 계산할 수 있다. 이때, 경계선 이미지(edge image)를 구성하는 픽셀 값들의 분산은 선명도 지표로 사용될 수 있다. 템플릿 선정 모듈(1610)은 미리 설정된 선명도 기준값을 획득하고, 선명도 기준값보다 큰 선명도 지표를 나타내는 경계선 이미지를 후보 프레임으로 추출할 수 있다. 여기서 선명도 기준 값은 경계선 이미지의 선명도 지표들의 평균과 분산에 기초하여 미리 설정될 수 있다.

나아가 템플릿 선정 모듈(1610)은 후보 프레임을 전처리(preprocessing)하는 동작을 수행할 수 있다. 예컨대, 템플릿 선정 모듈(1610)은 RGB 이미지인 후보 프레임을 흑백 이미지로 변환하는 전처리를 수행할 수 있다.

또한 템플릿 선정 모듈(1610)은 후보 프레임들을 군집화(clustering)하는 동작을 수행할 수 있다. 구체적으로 템플릿 선정 모듈(1610)은 임의의 군집화 알고리즘(예컨대, k-평균 알고리즘(K-means clustering algorithm))을 이용하여 후보 프레임들을 구분 동작별로 분류할 수 있다. 예컨대, 템플릿 선정 모듈(1610)은 제1 후보 프레임 세트들은 제1 군으로 분류하고, 제2 후보 프레임 세트들은 제2 군으로 분류할 수 있다.

또한, 템플릿 선정 모듈(1610)은 분류된 후보 프레임들로부터 기준 템플릿을 선택하도록 구현될 수 있다. 구체적으로 템플릿 선정 모듈(1610)은 후보 프레임들의 군집별 평균 이미지를 계산하고, 각 군집별로 평균 이미지와 가장 유사한 이미지인 후보 프레임을 대표 이미지로 획득하고, 대표 이미지를 기준 템플릿으로 결정할 수 있다. 예컨대, 템플릿 선정 모듈(1610)은 제1 군에 분류된 제1 후보 프레임 세트의 후보 프레임들의 평균 이미지를 연산하고, 평균 이미지와 차이가 가장 작은 후보 프레임을 제1 군의 기준 템플릿으로 결정할 수 있다. 예컨대, 템플릿 선정 모듈(1610)은 제2 군에 분류된 제2 후보 프레임 세트의 후보 프레임들의 평균 이미지를 연산하고, 평균 이미지와 차이가 가장 작은 후보 프레임을 제2 군의 기준 템플릿으로 결정할 수 있다.

도 24는 본 출원의 일 실시예에 따른 기준 템플릿과 대상 프레임으로부터 최종 매칭 좌표를 연산하는 양상들을 도시한 도면이다.

대상 프레임과 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성하는 단계(S4200)에서는, 검사 영역 탐색 모듈(1600)은 대상 프레임과 기준 템플릿을 비교하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성할 수 있다.

일 예로, 검사 영역 탐색 모듈(1610)의 템플릿 매칭 모듈(1620)은 템플릿 매칭 알고리즘을 이용하여, 대상 프레임과 기준 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성할 수 있다. 이때, 유사도 맵은 위치에 따른 대상 프레임의 기준 템플릿에 대한 유사도와 관련된 정보를 포함할 수 있다. 한편 유사도 스코어를 연산하는 알고리즘으로는 정규화된 교차 상관(normalized cross correlation, NCC) 알고리즘이 이용될 수 있다.

다른 예로, 템플릿 매칭 모듈(1620)은 대상 프레임의 경계선과 기준 템플릿의 경계선에 기초하여 대상 프레임의 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성할 수 있다. 구체적으로 템플릿 매칭 모듈(1620)은, 경계선 디텍터(예컨대, 캐니 엣지 디텍터(Canny edge detector))를 통하여, 대상 프레임으로부터 경계선 프레임을 획득하고 기준 템플릿으로부터 경계선 템플릿을 획득할 수 있다. 이때, 템플릿 매칭 모듈(1620)은 경계선 프레임과 경계선 템플릿을 비교하고, 비교 결과에 따라 유사도 스코어를 연산하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성할 수 있다.

유사도 스코어가 가장 높은 유사도 맵의 위치 좌표에 기초하여 대상 프레임의 최종 매칭 좌표를 획득하는 단계(S4300)에서는, 검사 영역 탐색 모듈(1600)은, 유사도 맵에 기초하여 대상 프레임의 최종 매칭 좌표를 획득할 수 있다. 전술한 바에 따르면, 유사도 맵은 위치에 따른 대상 프레임의 기준 템플릿에 대한 유사도와 관련된 정보(즉 위치 정보와 유사도 스코어 정보)를 포함할 수 있다. 따라서, 검사 영역 탐색 모듈(1600)은 유사도 맵을 통하여 기준 템플릿에 대응되는 대상 프레임의 최종 매칭 좌표를 획득할 수 있다. 예컨대, 템플릿 매칭 모듈(1620)은 유사도 맵에 기초하여 유사도 스코어가 가장 높은 유사도 맵의 위치 좌표를 획득하고, 획득한 위치 좌표를 대상 프레임의 최종 매칭 좌표로 획득할 수 있다.

한편 기준 템플릿 세트가 복수 개의 기준 템플릿(예컨대, N개의 기준 템플릿)을 포함하거나, 복수의 대상 프레임(예컨대, M개의 대상 프레임)로부터 최종 매칭 좌표를 연산해야 하는 경우가 존재할 수 있다. 이하에서는 도 25를 참고하여 복수 개의 기준 템플릿 혹은 복수의 대상 프레임이 존재하는 경우에 최종 매칭 좌표를 연산하는 방법에 대하여 보다 구체적으로 설명한다. 도 25는 본 출원의 일 실시예에 따른 기준 템플릿과 대상 프레임으로부터 최종 매칭 좌표를 연산하는 일 양상을 도시한 도면이다.

일 예로, 템플릿 매칭 모듈(1620)은 대상 프레임과, 제1 기준 템플릿과 제2 기준 템플릿을 포함하는 기준 템플릿 세트를 비교하여, 대상 프레임과 제1 기준 템플릿 간의 제1 유사도 맵 및 대상 프레임과 제2 기준 템플릿 간의 제2 유사도 맵을 생성할 수 있다. 이때, 템플릿 매칭 모듈(1620)은 제1 유사도 맵으로부터 제1 유사도 맵의 위치별 유사도 스코어를 고려하여 제1 위치 좌표를 획득할 수 있다. 또한, 템플릿 매칭 모듈(1620)은 제2 유사도 맵으로부터 제2 유사도 맵의 위치별 유사도 스코어를 고려하여 제2 위치 좌표를 획득할 수 있다. 나아가, 템플릿 매칭 모듈(1620)은 제1 위치 좌표와 제2 위치 좌표의 가중 평균(예컨대, 가중 기하 평균(Weighted Geometric Median)) 값을 연산하고 가중 평균 값에 기초하여 최종 매칭 좌표를 연산할 수 있다.

다른 예로, 템플릿 매칭 모듈(1620)은 제1 대상 프레임과 제2 대상 프레임을 포함하는 대상 프레임 세트와, 기준 템플릿을 비교하여, 제1 대상 프레임과 기준 템플릿 간의 제3 유사도 맵 및 제2 대상 프레임과 기준 템플릿 간의 제4 유사도 맵을 생성할 수 있다. 이때, 템플릿 매칭 모듈(1620)은 제3 유사도 맵으로부터 제3 유사도 맵의 위치별 유사도 스코어를 고려하여 제3 위치 좌표를 획득할 수 있다. 또한, 템플릿 매칭 모듈(1620)은 제4 유사도 맵으로부터 제4 유사도 맵의 위치별 유사도 스코어를 고려하여 제4 위치 좌표를 획득할 수 있다. 나아가, 템플릿 매칭 모듈(1620)은 제3 위치 좌표와 제4 위치 좌표의 가중 평균 값(예컨대, 가중 기하 평균(Weighted Geometric Median)을 연산하고 가중 평균 값에 기초하여 최종 매칭 좌표를 연산할 수 있다.

또 다른 예로, 템플릿 매칭 모듈(1620)은 대상 프레임과 기준 템플릿을 비교하여 대상 프레임과 기준 템플릿 간의 유사도 맵을 생성하고, 생성된 유사도 맵의 위치별 유사도 스코어를 고려하여 복수 개의 위치 좌표들(예컨대, K개의 위치 좌표)을 획득할 수 있다. 이때, 템플릿 매칭 모듈(1620)은 복수 개의 위치 좌표들의 가중 평균(예컨대, 가중 기하 평균(Weighted Geometric Median) 값을 연산하고 가중 평균 값에 기초하여 최종 매칭 좌표를 연산할 수 있다.

이때, 가중 평균 값은 유사도 맵의 유사도 스코어에 비례하여 가중치를 각 위치 좌표에 부여하여 연산될 수 있다. 따라서 유사도 맵의 유사도 스코어의 절대적인 수치와 무관하게, 상대적으로 높은 유사도 스코어에 대응되는 위치 좌표에는 상대적으로 높은 가중치가 부여되고, 상대적으로 낮은 유사도 스코어에 대응되는 위치 좌표에는 상대적으로 낮은 가중치가 부여될 수 있다. 공정 영상의 촬영 상태에 대하여 영향을 많이 받는 절대적인 유사도 수치가 아닌, 상대적인 유사도 수치에 기초하여 최종 매칭 좌표를 연산함으로써, 카메라의 촬영 환경의 변화를 판단하는 검사 영역 탐색 모듈(1600)의 안정성을 제공할 수 있다.

도 26은 본 출원의 일 실시예에 따른 카메라의 검사 영역을 수정하는 일 양상을 도시한 도면이다.

기준 템플릿으로부터 추출된 위치 좌표와 최종 매칭 좌표를 비교하여 대상 프레임과 대상 프레임의 이전 프레임을 촬영한 카메라의 촬영 환경의 변화를 판단하는 단계(S4400)에서는, 검사 영역 탐색 모듈(1600)은 기준 템플릿으로부터 추출된 위치 좌표(즉, 기존의 공정과 관련된 위치 좌표, 이하 기존 좌표)와 대상 프레임으로부터 연산된 최종 매칭 좌표를 비교하여 대상 프레임과 대상 프레임의 이전 프레임을 촬영한 카메라의 이동 여부를 판단할 수 있다. 여기서 기준 템플릿으로부터 추출된 위치 좌표는 기존의 공정과 관련된 위치 좌표로서, 확장 검사 영역을 기준으로 기준 템플릿이 추출된 지점의 위치 좌표를 의미할 수 있다. 구체적으로, 검사 영역 탐색 모듈(1630)의 검사 영역 조정 모듈(1630)은 기존 좌표와 최종 매칭 좌표를 비교하여 기존 좌표와 최종 매칭 좌표 사이의 거리(예컨대, 유클리드 거리)를 연산할 수 있다.

이때, 검사 영역 조절 모듈(1630)은 기존 좌표와 최종 매칭 좌표 사이의 거리가 미리 정해진 임계값보다 큰 지 여부에 따라 대상 프레임을 촬영한 시점의 카메라와 대상 프레임의 이전 프레임을 촬영한 카메라의 이동 여부를 판단할 수 있다. 예컨대, 검사 영역 조절 모듈(1630)은 기존 좌표와 최종 매칭 좌표 사이의 거리가 미리 정해진 임계값보다 큰 경우에는 대상 프레임을 촬영한 시점의 카메라의 촬영 환경이 대상 프레임의 이전 프레임을 촬영한 카메라의 촬영 환경으로부터 변화하였다고 판단할 수 있다. 예컨대, 검사 영역 조절 모듈(1630)은 기존 좌표와 최종 매칭 좌표 사이의 거리가 미리 정해진 임계값보다 작은 경우에는 대상 프레임을 촬영한 시점의 카메라의 촬영 환경이 대상 프레임의 이전 프레임을 촬영한 카메라의 촬영 환경으로부터 변화하지 않았다고 판단할 수 있다. 한편 미리 정해진 임계값은 검사 영역의 크기(혹은 넓이)에 비례하여 설정될 수 있다.

카메라의 촬영 환경이 변화되었다고 판단된 경우, 기준 템플릿으로부터 추출된 위치 좌표와 최종 매칭 좌표의 변위를 연산하고 변위에 기초하여 카메라의 검사 영역 좌표를 조정하는 단계(S4500)에서는, 검사 영역 탐색 모듈(1600)의 검사 영역 조정 모듈(1630)은 기준 템플릿의 위치 좌표와 최종 매칭 좌표 간의 거리에 기초하여 좌표 변위(

)를 연산하고, 연산된 좌표 변위에 기초하여 카메라의 검사 영역을 수정할 수 있다. 예컨대, 검사 영역 조정 모듈(1630)은 카메라의 검사 영역 정보를 기존의 위치 좌표에서 좌표 변위만큼 이동시킨 값으로 수정하여 카메라의 촬영 환경을 수정할 수 있다.

도 26에서는 도시하지는 않았지만, 카메라의 촬영 환경이 변화되지 않았다고 판단된 경우에는, 검사 영역 조정 모듈(1630)은 검사 영역을 수정하지 않도록 구현될 수 있으며, 영상 이상 감지 모듈(1200) 및/또는 영상 분류 모듈(1300)은 이전의 검사 영역으로 공정의 이상 여부를 감지하도록 제어될 수 있다.

조정된 검사 영역 좌표에 기초하여 대상 프레임으로부터 지정 검사 영역을 추출하고, 추출된 지정 검사 영역을 송신하는 단계(S4600)에서는, 검사 영역 탐색 모듈(1600)은 조정된 검사 영역 좌표에 기초하여 대상 프레임으로부터 지정 검사 영역(ROI)을 추출할 수 있다. 구체적으로 검사 영역 탐색 모듈(1600)의 검사 영역 추출 모듈(1640)은 업데이트된 검사 영역 좌표에 기초하여 비디오 스트림으로부터 지정 검사 영역(ROI)을 추출할 수 있다.

조정된 검사 영역 좌표에 기초하여 대상 프레임으로부터 지정 검사 영역을 추출하고, 추출된 지정 검사 영역을 송신하는 단계(S4600)에서는, 검사 영역 탐색 모듈(1600)은 추출된 지정 검사 영역과 관련된 정보를 공정 제어 장치(1000)의 각 모듈로 송신할 수 있다. 예컨대, 제어 모듈(1700)은 검사 영역 좌표에 기초하여 갱신된 지정 검사 영역에 기초하여 공정의 이상 여부를 감지하도록 공정 제어 장치(1700)의 각 모듈을 제어할 수 있다.

본 출원의 일 실시예에 따른 검사 영역 탐색 모듈(1600)에 의하면, 공정 영상을 검사하기 전에 검사 영역을 자동적으로 재조정함으로써, 부적절한 영역에 대한 검사로 인한 오류를 방지하고 공정의 검사 성능의 일관성을 제공할 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 적응 모델을 통하여 공정 환경의 변화를 지속적으로 학습하여 실시간으로 검사에 반영함으로써, 공정 환경의 변화에 유연하게 대처하여 공정의 이상 여부를 감지할 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 정상 동작을 이상 동작으로 검출하는 과검출 현상과 이상 동작을 검출하지 못하는 미검출 현상을 방지하여, 공정 이상 감지의 정확도를 증대시킬 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 공정의 환경 변화를 판단하기 위하여 기준이 되는 공정의 정지 여부와 공정의 재가동 시점을 분석할 수 있으며, 이를 통하여 공정의 환경이 변화하더라도 유연하게 공정의 이상 여부를 감지할 수 있다.

본 출원의 실시예에 따른 공정 제어 방법 및 공정 제어 장치에 의하면, 공정 영상을 검사하기 전에 검사 영역을 자동적으로 재조정함으로써, 부적절한 영역에 대한 검사로 인한 오류를 방지하고 공정의 검사 성능의 일관성을 제공할 수 있다.

상술한 공정 제어 장치(1000)의 다양한 동작들은 공정 제어 장치(1000)의 메모리에 저장될 수 있으며, 공정 제어 장치(1000)의 제어 모듈(1700)은 메모리에 저장된 동작들을 수행하도록 제공될 수 있다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

1000: 공정 제어 장치

Claims

공정의 이상 여부를 감지하고 공정을 제어하는 공정 제어 장치가, 공정을 제어하기 위하여 공정의 이상 여부를 감지하는 방법에 있어서,
학습이 완료된 복원 모델 및 적응 모델을 획득하는 단계;
실시간 영상과 관련된 입력 데이터를 획득하는 단계;
상기 복원 모델을 통하여 상기 입력 데이터로부터 복원 영상과 관련된 복원 출력 값을 획득하고, 상기 입력 데이터와 상기 복원 출력 값에 기초하여 제1 이상 점수를 연산하는 단계;
상기 적응 모델을 통하여 제1 공간에 사영(projected)된 상기 복원 출력 값을 제2 공간으로 맵핑하여 복원 보정 값을 획득하고, 상기 입력 데이터와 상기 복원 보정 값에 기초하여 제2 이상 점수를 연산하는 단계;
상기 제1 이상 점수 및 상기 제2 이상 점수가 미리 정해진 규칙을 만족하는 지 여부에 따라 상기 실시간 영상에 대응되는 시점의 공정의 이상 여부를 결정하는 단계; 및
상기 결정된 공정의 이상 여부에 대한 정보를 송신하는 단계;를 포함하되,
상기 제1 이상 점수를 연산하는 단계는,
상기 입력 데이터와 상기 복원 출력 값 간의 유사도를 측정하고, 상기 입력 데이터와 상기 복원 출력 값 간의 제1 맵을 생성하는 단계;
상기 생성된 제1 맵에 기초하여 상기 입력 데이터에 대한 시간별 제1 초기 이상 점수를 연산하는 단계;
기준 임계치를 획득하는 단계; 및
미리 정의된 시간 주기보다 짧은 주기 내에서 상기 기준 임계치보다 큰 제1 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 상기 제1 이상 점수를 획득하는 단계;를 더 포함하는,
공정의 이상 여부 감지 방법.
삭제
제1 항에 있어서,
상기 기준 임계치는,
지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산되는,
공정의 이상 여부 감지 방법.
제1 항에 있어서,
상기 제2 이상 점수를 연산하는 단계는,
상기 입력 데이터와 상기 복원 보정 값 간의 유사도를 측정하고, 상기 입력 데이터와 상기 복원 보정 값 간의 제2 맵을 생성하는 단계;
상기 생성된 제2 맵에 기초하여 상기 입력 데이터에 대한 시간별 제2 초기 이상 점수를 연산하는 단계;
제1 적응 임계값 및 제2 적응 임계값을 포함하는 적응 임계치를 획득하는 단계; 및
미리 정의된 시간 주기보다 짧은 주기 내에서 상기 적응 임계치보다 큰 제2 초기 이상 점수에 대응되는 점수 피크를 제거하고, 시간에 따른 상기 제2 이상 점수를 획득하는 단계;를 더 포함하는,
공정의 이상 여부 감지 방법.
제4 항에 있어서,
상기 제1 적응 임계값 및 상기 제2 적응 임계값 각각은, 지수 이동 평균(Exponential Moving Average, (EMA)) 및 지수 이동 분산(Exponential Moving Variance, (EMVar))에 기초하여 연산되되,
상기 제1 적응 임계값은, 제1 시간 이전의 점수를 반영하도록 EMA와 EMVar의 파라미터가 제1 파라미터 조합으로 획득되며,
상기 제2 적응 임계값은, 상기 제1 시간보다 짧은 제2 시간 이전의 점수만을 반영하도록 EMA와 EMVar의 파라미터가 제2 파라미터 조합으로 획득된,
공정의 이상 여부 감지 방법.
제4 항에 있어서,
상기 공정의 이상 여부를 결정하는 단계는,
상기 제1 이상 점수가 상기 기준 임계치보다 크거나 같은지 판단하는 단계;
상기 제1 이상 점수가 상기 기준 임계치보다 작다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 정상으로 판별하고, 상기 제1 이상 점수가 상기 기준 임계치보다 크거나 같다고 판단된 경우 상기 제2 이상 점수가 상기 적응 임계치보다 크거나 같은 지 판단하는 단계; 및
상기 제2 이상 점수가 상기 적응 임계치보다 작다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 정상으로 판별하고, 상기 제2 이상 점수가 상기 적응 임계치보다 크거나 같다고 판단된 경우 상기 실시간 영상에 대응되는 시점의 상기 공정을 비정상으로 판별하는 단계;를 더 포함하는,
공정의 이상 여부 감지 방법.
제1 항에 있어서,
상기 복원 모델은,
학습 데이터에 포함된 입력 이미지에 기초하여 복원 이미지를 출력하도록 구성되되,
상기 복원 이미지의 제1 공간에서의 사영 값과 상기 입력 이미지의 제1 공간에서의 사영 값의 차이가 미리 정해진 값 이내가 되도록, 상기 복원 이미지를 출력하도록 훈련되는,
공정의 이상 여부 감지 방법.
제1 항에 있어서,
상기 적응 모델은,
상기 제1 공간에서의 목표 매니폴드를 상기 제1 공간과는 다른 제2 공간 상의 보정 매니폴드로 맵핑하도록 훈련되는,
공정의 이상 여부 감지 방법.
컴퓨터에 제1 항, 제3 항 내지 제8 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.