KR102486819B1 - 빛샘 데이터를 이용한 제품 검사 방법 및 장치 - Google Patents
빛샘 데이터를 이용한 제품 검사 방법 및 장치 Download PDFInfo
- Publication number
- KR102486819B1 KR102486819B1 KR1020220068925A KR20220068925A KR102486819B1 KR 102486819 B1 KR102486819 B1 KR 102486819B1 KR 1020220068925 A KR1020220068925 A KR 1020220068925A KR 20220068925 A KR20220068925 A KR 20220068925A KR 102486819 B1 KR102486819 B1 KR 102486819B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- inspection method
- light
- processor
- pattern
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 170
- 230000002950 deficient Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 35
- 238000013135 deep learning Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000001788 irregular Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 27
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 13
- 239000000284 extract Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005442 molecular electronic Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 101100009348 Mus musculus Depp1 gene Proteins 0.000 description 1
- 101100009350 Rattus norvegicus Depp gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000001310 location test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002071 nanotube Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/306—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces for measuring evenness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
빛샘 데이터를 이용한 제품 검사 방법 및 장치가 개시된다. 일 실시예에 따른 제품 검사 방법은, 제품에 관련된 제품 정보를 수신하는 단계와, 상기 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터(light leaking)를 생성하는 단계와, 상기 빛샘 데이터의 패턴에 기초하여 상기 제품의 검사 방식을 결정하는 단계와, 상기 검사 방식에 기초하여 상기 제품의 불량 여부를 판단하는 단계를 포함한다.
Description
실시예들은 빛샘 데이터를 이용한 제품 검사 방법 및 장치에 관한 것이다.
제품 사이로 투영되는 공간들이 존재하는 제품들을 검사하기 위한 다양한 방법이 존재한다. 예를 들어, 제품을 검사하는 방법의 하나로 지면과 제품 사이에 벌어진 틈을 측정하여 제품의 평탄 정도를 측정하는 평탄화 검사가 있다. 평탄화 검사 방법으로는 레이저와 같은 빛의 반사 정도를 측정해 제품의 평탄화 정도를 검사하는 방법 및 인디케이터(indicator)를 이용해 제품의 평탄도를 측정하는 방법들이 있다.
제품 사이로 투영되는 공간들을 검사하는 방법은 사람이 직접 눈으로 판단하는 방법, 또는 레이저와 같이 지향성이 높은 빛을 발사하여 반사율을 이용해 제품의 검사를 진행하는 방법이 있다.
제품을 검사할 때, 제품의 성질에 따라 반사율이 달라지기 때문에 특정 제품에 제한적으로 사용된다. 또한, 평탄도를 검사해야 하는 제품들은 대부분 아주 작은 um단위의 미세한 거리를 정밀 계산해서 불량을 검출해야 하기 때문에 검사 장비를 구축하는데 비용이 많이 들고 설치가 어렵다는 단점이 있다.
실시예들은 빛샘 데이터를 이용한 제품 검사 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 제품 검사 방법은, 제품에 관련된 제품 정보를 수신하는 단계와, 상기 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터(light leaking)를 생성하는 단계와, 상기 빛샘 데이터의 패턴에 기초하여 상기 제품의 검사 방식을 결정하는 단계와, 상기 검사 방식에 기초하여 상기 제품의 불량 여부를 판단하는 단계를 포함한다.
상기 빛샘 데이터를 생성하는 단계는, 상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하는 단계와, 상기 제품의 특성에 기초하여 상기 조명의 세기를 제어하는 단계와, 상기 위치 및 상기 세기에 기초하여 상기 제품에 상기 조명을 조사하는 단계와, 상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성하는 단계를 포함할 수 있다.
상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성하는 단계는, 상기 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어하는 단계와, 상기 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어하는 단계와, 상기 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 상기 빛샘 데이터를 생성하는 단계를 포함할 수 있다.
상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하는 단계는, 상기 제품의 특성에 기초하여 상기 조명의 각도, 상기 제품과 상기 조명 사이의 거리 및 상기 조명의 모양을 결정하는 단계를 포함할 수 있다.
상기 제품의 검사 방식을 결정하는 단계는, 상기 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하는 단계와, 판단 결과에 기초하여 상기 검사 방식을 결정하는 단계를 포함할 수 있다.
상기 판단 결과에 기초하여 상기 검사 방식을 결정하는 단계는, 상기 패턴이 상기 정형적인 패턴인 경우, 룰 기반 검사 방식으로 상기 검사 방식을 결정하는 단계를 포함할 수 있다.
상기 판단 결과에 기초하여 상기 검사 방식을 결정하는 단계는, 상기 패턴이 상기 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계를 포함할 수 있다.
상기 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계는, 이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 상기 검사 방식을 결정하는 단계를 포함할 수 있다.
상기 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계는, 상기 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시키는 단계를 포함할 수 있다.
일 실시예에 따른 제품 검사 장치는, 제품에 관련된 제품 정보를 수신하는 수신기와, 상기 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터(light leaking)를 생성하고, 상기 빛샘 데이터의 패턴에 기초하여 상기 제품의 검사 방식을 결정하고, 상기 검사 방식에 기초하여 상기 제품의 불량 여부를 판단하는 프로세서를 포함한다.
상기 프로세서는, 상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하고, 상기 제품의 특성에 기초하여 상기 조명의 세기를 제어하고, 상기 위치 및 상기 세기에 기초하여 상기 제품에 상기 조명을 조사하고, 상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성할 수 있다.
상기 프로세서는, 상기 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어하고, 상기 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어하고, 상기 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 상기 빛샘 데이터를 생성할 수 있다.
상기 프로세서는, 상기 제품의 특성에 기초하여 상기 조명의 각도, 상기 제품과 상기 조명 사이의 거리 및 상기 조명의 모양을 결정할 수 있다.
상기 프로세서는, 상기 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하고, 판단 결과에 기초하여 상기 검사 방식을 결정할 수 있다.
상기 프로세서는, 상기 패턴이 상기 정형적인 패턴인 경우, 룰 기반 검사 방식으로 상기 검사 방식을 결정할 수 있다.
상기 프로세서는, 상기 패턴이 상기 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정할 수 있다.
상기 프로세서는, 이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 상기 검사 방식을 결정할 수 있다.
상기 프로세서는, 상기 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시킬 수 있다.
도 1은 일 실시예에 따른 제품 검사 장치의 개략적인 블록도를 나타낸다.
도 2a 및 도 2b는 일 실시예에 따른 빛샘 검사기의 구현의 예를 나타낸다.
도 3a 내지 도 3d는 정상 빛샘 데이터의 예들을 나타낸다.
도 4a 내지 도 4d는 정형적 불량인 빛샘 데이터의 예들을 나타낸다.
도 5a 내지 도 5d는 비정형적 불량인 빛샘 데이터의 예들을 나타낸다.
도 6은 제품 검사 장치의 동작을 설명하기 위한 도면이다.
도 7은 빛샘 데이터 생성 과정을 설명하기 위한 도면이다.
도 8은 검사 방식의 예를 나타낸다.
도 9는 룰 기반 검사 방식을 설명하기 위한 도면이다.
도 10은 이상 탐지 검사 방식을 설명하기 위한 도면이다.
도 11은 분류 검사 방식을 설명하기 위한 도면이다.
도 12는 객체 탐지 검사 방식을 설명하기 위한 도면이다.
도 13은 세그멘테이션 검사 방식을 설명하기 위한 도면이다.
도 14는 도 1에 도시된 제품 검사 장치의 동작의 흐름도를 나타낸다.
도 2a 및 도 2b는 일 실시예에 따른 빛샘 검사기의 구현의 예를 나타낸다.
도 3a 내지 도 3d는 정상 빛샘 데이터의 예들을 나타낸다.
도 4a 내지 도 4d는 정형적 불량인 빛샘 데이터의 예들을 나타낸다.
도 5a 내지 도 5d는 비정형적 불량인 빛샘 데이터의 예들을 나타낸다.
도 6은 제품 검사 장치의 동작을 설명하기 위한 도면이다.
도 7은 빛샘 데이터 생성 과정을 설명하기 위한 도면이다.
도 8은 검사 방식의 예를 나타낸다.
도 9는 룰 기반 검사 방식을 설명하기 위한 도면이다.
도 10은 이상 탐지 검사 방식을 설명하기 위한 도면이다.
도 11은 분류 검사 방식을 설명하기 위한 도면이다.
도 12는 객체 탐지 검사 방식을 설명하기 위한 도면이다.
도 13은 세그멘테이션 검사 방식을 설명하기 위한 도면이다.
도 14는 도 1에 도시된 제품 검사 장치의 동작의 흐름도를 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서의 모듈(module)은 본 명세서에서 설명되는 각 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 특정 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또는 특정 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예를 들어 프로세서 또는 마이크로 프로세서를 의미할 수 있다.
다시 말해, 모듈이란 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및/또는 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적 및/또는 구조적 결합을 의미할 수 있다.
도 1은 제품 검사 장치의 개략적인 블록도를 나타낸다.
도 1을 참조하면, 제품 검사 장치(10)는 제품(product)으로부터 빛샘 데이터(light leaking data)를 획득하고, 획득한 빛샘 데이터에 기초하여 제품을 검사할 수 있다. 제품 검사 장치(10)는 제품의 빛샘 데이터 처리하여 제품의 불량을 검사할 수 있다.
제품은 생산 시설에서 임의의 원료를 사용하여 만들어진 물건을 의미할 수 있다. 빛샘 데이터는 제품에 조명을 조사하고, 조명이 조사된 제품의 이미지를 카메라를 통해 촬영하고, 촬영된 이미지를 처리함으로써 획득될 수 있다.
이미지는 빛의 굴절이나 반사 등에 의하여 이루어진 물체의 상을 포함하는 것으로, 선이나 색채를 이용하여 사물의 형상을 나타낸 것을 의미할 수 있다. 예를 들어, 이미지는 컴퓨터가 처리할 수 있는 형태로 된 정보로 이루어질 수 있다.
빛샘 데이터의 생성과정은 도 2a 및 도 2b를 참조하여 자세하게 설명하고, 빛샘 데이터의 예는 도 3a 내지 도 5d를 참조하여 자세하게 설명한다.
제품 검사 장치(10)는 제품의 불량 여부를 검사하여 제품의 불량 검사 결과를 출력할 수 있다. 제품의 불량 검사 결과는 제품의 불량 여부에 관한 정보, 제품의 불량의 위치, 제품의 불량의 크기, 제품의 불량의 유형 등을 포함할 수 있다.
제품 검사 장치(10)는 제품의 이미지 또는 제품의 이미지를 이용한 학습 데이터에 기초하여 제품을 검사할 수 있다. 제품 검사 장치(10)는 학습 데이터에 기초하여 뉴럴 네트워크를 학습시키고, 학습된 뉴럴 네트워크에 기초하여 제품을 검사함으로써 제품의 양품 또는 불량 여부를 판단(또는, 판별)할 수 있다.
뉴럴 네트워크(또는 인공 신경망)는 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.
뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있다.
제품 검사 장치(10)는 빛샘 검사기를 통해 제품 사이로 투영되는 공간을 갖는 제품의 불량을 검출할 수 있다. 제품 검사 장치(10)는 지면과 제품의 미세한 거리를 계산해 제품의 불량을 검출하는 평탄도 검사를 수행할 수 있다.
제품 검사 장치(10)는 수신기(100) 및 프로세서(200)를 포함한다. 제품 검사 장치(10)는 메모리(300)를 더 포함할 수 있다.
수신기(100)는 수신 인터페이스를 포함할 수 있다. 수신기(100)는 제품에 관련된 제품 정보를 수신할 수 있다. 수신기(100)는 제품 검사 장치(10)의 외부 또는 메모리(300)로부터 제품 정보를 수신할 수 있다. 수신기(100)는 프로세서(200)로 제품 정보를 출력할 수 있다. 제품 정보는 제품의 크기, 형태, 제품의 무게, 제품의 광특성 및/또는 제품의 재질을 포함할 수 있다.
프로세서(200)는 메모리(300)에 저장된 데이터를 처리할 수 있다. 프로세서(200)는 메모리(300)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(200)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
"프로세서(200)"는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(200)는 별도의 연산기를 이용하여 뉴럴 네트워크 연산을 수행할 수 있다. 연산기는 가속기를 포함할 수 있다. 가속기는 뉴럴 네트워크 어플리케이션을 가속하기 위해 설계된 특수한 하드웨어 또는 컴퓨터 시스템을 의미할 수 있다.
가속기는 GPU(Graphics Processing Unit), NPU(Neural Processing Unit), FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit) 또는 AP(Application Processor)를 포함할 수 있다. 또한, 가속기는 가상 머신(Virtual Machine)와 같이 소프트웨어 컴퓨팅 환경으로 구현될 수도 있다.
프로세서(200)는 수신기(100)로부터 제품에 관련된 제품 정보를 수신할 수 있다. 프로세서(200)는 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 제품의 특성에 기초하여 카메라 및 조명의 위치를 제어할 수 있다. 프로세서(200)는 제품의 특성에 기초하여 조명의 각도, 제품과 조명 사이의 거리 및 조명의 모양을 결정할 수 있다. 프로세서(200)는 제품의 특성에 기초하여 조명의 세기를 제어할 수 있다.
프로세서(200)는 위치 및 세기에 기초하여 제품에 조명을 조사할 수 있다. 프로세서(200)는 제품으로부터 새어 나오는 빛에 기초하여 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어할 수 있다. 프로세서(200)는 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어할 수 있다. 프로세서(200)는 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 빛샘 데이터의 패턴에 기초하여 제품의 검사 방식을 결정할 수 있다. 프로세서(200)는 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단할 수 있다. 프로세서(200)는 판단 결과에 기초하여 검사 방식을 결정할 수 있다.
프로세서(200)는 패턴이 정형적인 패턴인 경우, 룰 기반 검사 방식으로 검사 방식을 결정할 수 있다. 프로세서(200)는 패턴이 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 검사 방식을 결정할 수 있다.
프로세서(200)는 이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 검사 방식을 결정할 수 있다.
프로세서(200)는 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시킬 수 있다.
프로세서(200)는 검사 방식에 기초하여 제품의 불량 여부를 판단할 수 있다.
메모리(300)는 프로세서(200)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서의 동작 및/또는 프로세서의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
메모리(300)는 휘발성 메모리 장치 또는 비휘발성 메모리 장치로 구현될 수 있다.
휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다.
비휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Eelectronic Memory Device), 또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.
도 2a 및 도 2b는 일 실시예에 따른 빛샘 검사기의 구현의 예를 나타낸다.
도 2a 내지 도 2b를 참조하면, 프로세서(예: 도1의 프로세서(200))는 빛샘 데이터를 생성할 수 있다. 프로세서(200)는 빛샘 데이터의 생성을 위해 빛샘 검사기를 제어할 수 있다.
빛샘 검사기는 카메라(210) 및 스테이지(230)를 포함할 수 있다. 프로세서(200)는 카메라(210) 및 스테이지(230)를 제어함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 스테이지를 제어함으로써 스테이지(230)위에 위치한 제품을 움직일 수 있다. 프로세서(200)는 조명(250)을 제어하여 위치가 제어된 제품에 빛을 조사할 수 있다. 프로세서(200)는 제품에 조사된 빛을 카메라(210)를 통해 수집함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 제품에 존재하는 공간 또는 제품과 스테이지 사이의 공간으로부터 새어나오는 빛을 카메라(210)를 통해 촬영함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 스테이지(230)를 회전시키면서 다양한 각도에서 제품으로부터 새어 나오는 빛샘 데이터를 수집할 수 있다. 프로세서(200)는 카메라(210)를 제어함으로써 카메라(210)의 위치를 앞, 뒤, 상 또는 하로 조정하면서 카메라(210)의 FOV(Field Of View)에 빛샘 정보가 들어오도록 제어할 수 있다.
프로세서(200)는 제품 사이로 투영되는 공간으로부터 새어 나오는 빛을 카메라(210)로 촬영하여 수집된 빛을 디지털화함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 제품의 특성에 따라 스테이지(230) 및 조명(250)의 위치를 제어할 수 있다. 예를 들어, 프로세서(200)는 CD(Compact Disc)처럼 가운데 구멍이 뚫려 있는 제품의 빛샘 데이터를 생성하기 위해서 조명(250)을 가운데 위치시킬 수 있고, 제품의 가운데가 뚫려 있지 않은 경우에는 스테이지(230)의 끝에 조명을 설치할 수 있다.
도 3a 내지 도 3d는 정상 빛샘 데이터의 예들을 나타내고, 도 4a 내지 도 4d는 정형적 불량인 빛샘 데이터의 예들을 나타내고, 도 5a 내지 도 5d는 비정형적 불량인 빛샘 데이터의 예들을 나타낸다.
도 3a 내지 도 5d를 참조하면, 프로세서(예: 도 1의 프로세서(200))는 빛샘 데이터의 패턴에 기초하여 제품의 검사 방식을 결정할 수 있다. 프로세서(200)는 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단할 수 있다. 프로세서(200)는 판단 결과에 기초하여 검사 방식을 결정할 수 있다.
제품의 종류와 특성에 따라 조명으로부터 방사된 빛이 제품 사이에 존재하는 공간으로부터 새어 나오는 양과 강도는 상이할 수 있다. 빛이 새어나오는 형태는 정형적 형태 또는 비정형적인 형태를 포함할 수 있다.
프로세서(200)는 다양한 형태로 새어 나오는 빛으로부터 생성한 빛샘 데이터를 분석하여 룰 기반 검사 방식 또는 딥러닝 기반 검사를 진행할지를 결정할 수 있다. 프로세서(200)는 검사 방식을 결정한 후 결정된 자동적으로 결정된 검사 방식으로 제품의 검사를 수행할 수 있다.
프로세서(200)는 빛샘 데이터가 정형적인 패턴의 불량을 포함할 경우, 일정한 규칙에 기초하여 학습없이 룰 기반 검사 방식을 이용하여 제품의 불량을 검출할 수 있다.
빛의 양과 강도가 비정형적인 형태인 경우, 룰 기반 검사 방식을 이용하여 제품의 불량을 검출하는 것은 한계가 있을 수 있다. 프로세서(200)는 비정형적인 빛샘 데이터의 불량 여부를 판단하기 위해 딥러닝 검사 방식을 이용하여 제품의 검사를 수행할 수 있다. 딥러닝 검사 방식은 이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation)을 포함할 수 있다.
도 3a 내지 도 5d에서 하얀색 부분은 제품으로부터 새어 나오는 빛에 대응할 수 있다.
도 6은 제품 검사 장치의 동작을 설명하기 위한 도면이다.
도 6을 참조하면, 프로세서(예: 도 1의 프로세서(200))는 제품의 특성에 따라 카메라 및 조명의 위치와 종류를 설정하고 조명의 빛을 제품에 조사하여 제품 또는 제품과 스테이지 사이의 공간으로 새어 나오는 빛을 분석하여 제품의 불량 여부를 판단할 수 있다.
프로세서(200)는 조명을 통해 제품 사이 또는 제품과 스테이지 사이로 새어 나온 빛 정보를 디지털화 하여 불량의 유무를 판단하기 때문에, 다른 검사 방식에 비하여 카메라나 조명에 대한 의존도가 낮을 수 있다. 또한, 프로세서(200)는 불량 검사를 위한 검사 장치의 설치를 용이하게 하고, 제품 검사 비용을 감소시킬 수 있다.
조명으로부터 발사된 빛은 제품에 존재하는 슬릿 사이로 새어 나오게 되고 프로세서(200)는 새어 나온 빛을 카메라를 통해 수집하여 빛샘 데이터를 구축하고, 빛샘 데이터에 기초하여 제품의 양품과 불량 여부를 판단할 수 있다. 사용되는 조명과 카메라 렌즈들은 제품의 특성에 따라 다양하게 구성될 수 있다.
프로세서(200)는 지면(또는, 스테이지)과 제품 사이의 미세한 이격을 계산하는 평탄도 검사를 수행할 수 있다. 프로세서(200)는 평평한 스테이지 상에 위치한 제품과 바닥면 사이의 틈으로부터 새어 나오는 빛을 분석하여 제품의 평탄화 정도를 측정할 수 있어서, 제품의 불량 여부를 간단하게 검사할 수 있다.
프로세서(200)는 대상의 가장자리를 따라 빛을 비추는 바(bar) 조명, 제품 전체에 빛을 더 균일하게 확산하도록 하는 확산형 링(ring) 조명 또는 다양한 각도에서 균일 하게 빛을 내는 돔 조명 등 다양한 조명을 제품의 특성에 따라 설정할 수 있다. 프로세서(200)는 제품의 특성에 기초하여 조명의 세기와 위치를 제어할 수 있다.
프로세서(200)는 룰 기반 검사 방식과 딥러닝 기반 검사 방식을 선택적으로 이용함으로써 검사의 성능을 향상시킬 수 있다. 제품의 특성에 맞춰 정형화된 불량을 검출할 수 있는 룰 기반 검사 방식 및 예측이 어려운 비정형화된 불량까지도 검출할 수 있는 딥러닝(Deep Learning) 검사 방식을 사용할 수 있다.
딥러닝 검사 방식은 이상 탐지, 분류, 객체 탐지 또는 세그멘테이션을 포함할 수 있다.
프로세서(200)는 검사를 수행할 제품의 제품 정보를 수신하고, 제품 정보에 기초하여 카메라와 조명의 종류, 위치를 설정할 수 있다(610).
프로세서(200)는 제품 정보에 기초하여 제품의 양품 기준을 설정할 수 있다(630). 양품 기준은 양품과 불량품을 판단하는 기준을 의미할 수 있다.
프로세서(200)는 빛샘 획득부를 통해 빛샘 데이터를 생성할 수 있다(650). 프로세서(200)는 조명을 제어하여 평탄한 스테이지 위에 위치한 제품에 빛을 조사하고, 제품 또는 제품과 스테이지 사이에 발생하는 슬릿으로부터 새어 나오는 빛을 카메라로 촬영하여 빛 정보를 디지털화 할 수 있다.
프로세서(200)는 머신 비전 검사부를 이용하여 검사 방식을 결정할 수 있다(670). 프로세서(200)는 정형적인 불량 패턴을 검사하기 위해 룰 기반 검사 방법을 사용하고, 비정형적인 불량 패턴을 검사하기 위해 딥러닝 검사 방식을 자동으로 선택할 수 있다.
프로세서(200)는 선택한 검사 방식을 이용하여 제품의 양, 불량을 판별할 수 있다(690).
도 7은 빛샘 데이터 생성 과정을 설명하기 위한 도면이다.
도 7을 참조하면, 프로세서(예: 도 1의 프로세서(200))는 조명(710)을 제어하여 제품의 특성에 맞게 빛의 세기를 조절하고, 제품 방향으로 빛을 조사시킬 수 있다.
제품(730)의 슬릿 사이로 새어 나오는 빛은 렌즈(750)를 통과하여 카메라의 이미지 센서(770)에 도달할 수 있다. 프로세서(200)는 이미지 센서로부터 획득한 데이터를 디지털화하여 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 이미지 센서(770)로부터 획득한 데이터를 2D(2-dimensional) 데이터로 변환함으로써 빛샘 데이터를 획득할 수 있다. 프로세서(200)는 빛샘 데이터의 패턴에 기초하여 검사 방식을 결정할 수 있다. 검사 방식은 상술한 것과 같이 룰 기반 검사 방식 및 딥러닝 검사 방식을 포함할 수 있다.
프로세서(200)는 도 2a 및 도 2b에서 설명한 빛샘 검사기를 통해 빛샘 데이터를 획득할 수 있다. 프로세서(200)는 빛을 조사하는 조명의 위치, 각도, 조명의 종류 및 조명의 세기를 제어하고, 렌즈(750), 빛을 감지하는 이미지 센서(770)를 제어할 수 있다.
프로세서(200)는 다양한 조명 방식을 이용하여 빛을 제품에 조사할 수 있다. 예를 들어, 프로세서(200)는 발산 광선을 사용하여 광선의 폭을 넓게 만들고 경사진 방향으로 가능한 넓은 부분에 조명을 주는 확산 조명 방식, 관찰하려는 부위에 직접 빛을 조사하여 관찰하는 직접 조명 방식 또는 관찰하려는 부위의 주위를 조명하여 직접 조명된 부위의 인접한 부위를 관찰하는 간접 조명 방식을 이용하여 조명을 제어할 수 있다. 프로세서(200)는 제품에 특성에 기초하여 조명 방식을 선택하고, 조명의 세기 및 제품과의 거리를 제어하여 빛을 조사할 수 있다.
렌즈(750)는 짧은 거리를 위해 설계된 매크로렌즈, 긴 라인 센서용으로 설계된 라인 센서 렌즈 또는 카메라 포지션의 변동 없이 배율 변경이 가능한 줌 렌즈를 포함할 수 있다. 프로세서(200)는 제품의 특성에 따라 렌즈(750)의 종류를 선택하고 렌즈(750)의 조리개, 배율을 조절할 수 있다.
빛의 간섭에 따라 출력되는 빛의 정보가 달라질 수 있다. 예를 들어, 슬릿의 수와 슬릿의 폭은 빛샘 데이터에 영향을 미칠 수 있다. 프로세서(200)는 제품의 특성에 따른 슬릿의 폭 및 수에 기초하여 조사하는 빛의 파장과 세기를 조절할 수 있다.
이미지 센서(770)의 센서 사이즈는 픽셀사이즈 (V) x 사용하는 센서의 픽셀 수치(H)로 구성될 수 있고, 이미지의 픽셀 단위는 um가 사용될 수 있다.
도 8은 검사 방식의 예를 나타낸다.
도 8을 참조하면, 머신 비전 검사 방식(810)은 룰 기반 검사 방식(820) 및 AI(Artificial Intelligence) 딥러닝 검사 방식(830)을 포함할 수 있다.
AI 딥러닝 검사 방식(830)은 이상 탐지(840)(또는, 이상 검출), 분류(850), 객체 탐지(860) 및 세그멘테이션(870)을 포함할 수 있다. 도 8의 검사 방식의 종류는 예시적인 것으로, 실시예에 따라 다른 딥러닝 검사 방식이 사용될 수 있다.
프로세서(예: 도 1의 프로세서(200))는 디지털화된 빛샘 데이터를 머신 비전 검사 방식(810)을 통해 크기, 모양, 종류 및 위치와 같이 다양한 정보를 획득할 수 있고, 획득한 정보에 기초하여 룰 기반 검사 방식(820) 및 AI 딥러닝 검사 방식(830)을 자동으로 선택하여 사용할 수 있다.
룰 기반 검사 방식(820)은 빛샘 데이터의 색상, 크기(예를 들어, 높이 또는 폭) 및 면적과 같은 이미지의 특징을 분석하고, 사용자가 정의한 룰 기반 알고리즘을 이용하여 임계 영역에서 벗어난 제품을 검사하는 방식을 포함할 수 있다.
AI 딥러닝 검사 방식(830)을 이용할 경우, 프로세서(200)는 제품의 특성에 기초하여 자동으로 이상 탐지 특성에 맞춰 이상 탐지(840)(또는, 이상 검출), 분류(850), 객체 탐지(860) 또는 세그멘테이션(870) 중에서 하나를 선택하여 제품의 검사를 수행할 수 있다.
도 9는 룰 기반 검사 방식을 설명하기 위한 도면이다.
도 9를 참조하면, 프로세서(예: 도 1의 프로세서(200))는 빛샘 데이터가 정형적인 패턴인 경우, 룰 기반 검사 방식으로 제품의 검사를 수행할 수 있다.
프로세서(200)는 룰 기반 규칙을 생성할 수 있다(910). 프로세서(200)는 생성된 규칙에 기초하여 제품을 분류할 수 있다(930). 정형화된 빛샘 데이터의 경우, 빛샘의 양과 강도가 룰 기반에 의해 분류될 수 있다.
프로세서(200)는 카메라로부터 들어온 빛샘 정보를 사용하여 규칙을 생성하고, 생성된 규칙을 통해 정형화된 제품의 불량을 검출할 수 있다.
프로세서(200)는 규칙을 생성하기 위해서 특정 제품에 대한 특성을 파악하여 영상 처리에서 사용하는 다양한 필터를 통해 빛샘의 특징 정보를 추출할 수 있고, 추출된 특징을 기반으로 불량을 검출할 수 있다.
룰 기반 검사 방식은 배율 공간 내 특징점을 추출하여 검사하는 SIFT(Scale-Invariant Feature Transform) 검사 방식, 머신 비전 검사 방식, OpenCV 라이브러리(Library)를 통한 지리적 기술(Geometric Description) 검사 방식, 가우시안(Gaussian) 커널 검사 방식 및/또는 패턴(Pattern) 매칭 검사 방식을 포함할 수 있다.
도 10은 이상 탐지 검사 방식을 설명하기 위한 도면이다.
도 10을 참조하면, 프로세서(예: 도 1의 프로세서(200)) 이상 탐지 검사 방식을 이용하여 제품의 검사를 수행할 수 있다. 프로세서(200)는 빛샘 데이터로부터 특징을 추출할 수 있다(1010). 프로세서(200)는 추출한 특징으로부터 제품의 양, 불량을 판단할 수 있다(1030).
프로세서(200)는 이상 탐지 검사 방식에서 정상 데이터(예를 들어, 정상 빛샘 데이터)만을 이용하여 뉴럴 네트워크를 학습시키고, 정상 분포를 벗어난(Out of Distribution) 비정상 데이터를 검출할 수 있다.
데이터가 비정형이고 대부분이 양품일 경우 정상 데이터를 학습을 통해 불량을 검사하는 이상 탐지 검사 방식이 적용될 수 있다.
프로세서(200)는 빛샘 검사기를 통해 수집된 정상 빛샘 데이터를 이상 탐지 검사를 위한 학습 데이터로 사용할 수 있다. 프로세서(200)는 학습된 뉴럴 네트워크를 통해 제품의 불량을 검사를 수행할 수 있다.
프로세서(200)는 불량 검출을 위해 2차원 이미지로 디지털화된 빛샘 데이터를 입력으로 특징 추출(Feature Extraction)을 통해 데이터의 특징을 추출할 수 있다. 프로세서(200)는 검출을 통해 학습된 정상 분포에 입력된 빛샘 데이터가 포함되는지 여부를 검사하고, 정상 분포에 포함되지 않는 데이터를 비정상으로 검출할 수 있다.
도 11은 분류 검사 방식을 설명하기 위한 도면이다.
도 11을 참조하면, 프로세서(예: 도 1의 프로세서(200))는 분류 검사 방식을 이용하여 제품의 검사를 수행할 수 있다.
프로세서(200)는 빛샘 데이터에 기초하여 특징을 추출할 수 있다(1110). 프로세서(200)는 추출한 특징에 기초하여 분류를 수행할 수 있다(1130).
프로세서(200)는 분류 검사 방식을 이용하여 입력된 빛샘 데이터가 어느 범주에 속하는지 판단할 수 있다. 프로세서(200)는 빛샘 검사기를 통해 획득한 빛샘 데이터 분석 결과 빛샘 데이터의 형태가 비정형적이고 양품과 불량의 구분의 명확할 경우, 분류 검사 방식을 이용할 수 있다.
프로세서(200)는 빛샘 데이터에 기초하여 학습을 수행할 수 있다. 프로세서(200)는 제품의 양, 불을 분류할 수 있는 이항 분류(binary classification) 또는 불량 유형을 분류할 수 있는 다항 분류(multi classification)를 통해 빛샘 데이터를 분류할 수 있다.
프로세서(200)는 데이터 분류를 위해 2차원 이미지로 디지털화된 빛샘 데이터를 입력으로 특징 추출을 통해 데이터의 특징을 추출할 수 있다. 프로세서(200)는 입력 받은 빛샘 데이터의 특징에 기초하여 분류를 통해 양, 불 또는 불량 유형을 분류할 수 있다.
도 12는 객체 탐지 검사 방식을 설명하기 위한 도면이다.
도 12를 참조하면, 프로세서(예: 도 1의 프로세서(200))는 객체 탐지 검사 방식을 이용하여 제품의 검사를 수행할 수 있다.
프로세서(200)는 빛샘 데이터로부터 특징을 추출할 수 있다(1210). 프로세서(200)는 추출한 특징에 기초하여 위치 검사(localization)를 수행할 수 있다(1230). 프로세서(200)는 위치 검사 결과에 기초하여 분류를 수행할 수 있다(1250).
프로세서(200)는 객체 탐지 검사 방식을 이용하여 제품의 분류와 위치 문제를 동시에 수행할 수 있다.
프로세서(200)는 빛샘 데이터의 형태가 비정형적이고 빛샘 데이터에서 빛샘의 위치가 여러 방향으로 분산되어 있을 경우에 객체 탐지 검사 방식을 이용할 수 있다. 객체 탐지 검사 방식을 이용할 경우, 프로세서(200)는 빛샘 검사기를 통해 수집된 빛샘 데이터를 이용하여 뉴럴 네트워크를 학습시킴으로써 빛샘의 위치, 개수 및 종류를 검사할 수 있다.
프로세서(200)는 데이터 분류를 위해 2차원 이미지로 디지털화된 빛샘 데이터를 입력으로 특징 추출을 통해 데이터의 특징을 추출할 수 있다. 프로세서(200)는 입력 받은 빛샘 데이터의 특징을 기반으로 위치 검사를 통해 빛샘의 위치와 개수를 검출할 수 있다. 프로세서(200)는 위치 검사에서 검출된 빛샘을 분류함으로써 빛샘의 종류를 분류할 수 있다.
도 13은 세그멘테이션 검사 방식을 설명하기 위한 도면이다.
도 13을 참조하면, 프로세서(예: 도 1의 프로세서(200))는 세그멘테이션 검사 방식을 이용하여 제품의 검사를 수행할 수 있다.
프로세서(200)는 빛샘 데이터로부터 특징을 추출할 수 있다(1310). 프로세서(200)는 추출한 특징에 기초하여 세그멘테이션을 수행할 수 있다(1350). 프로세서(200)는 세그멘테이션 결과에 기초하여 제품의 양, 불 판단을 수행할 수 있다(1350).
프로세서(200)는 세그멘테이션을 통해 빛샘 데이터 내의 객체들을 의미 있는 단위로 분할하여 픽셀 단위로 예측을 수행할 수 있다.
프로세서(200)는 빛샘 데이터의 형태가 비정형적이고 빛생 정보를 세밀하게 분석하여 확인해야 할 경우에 세그멘테이션 검사 방식을 이용할 수 있다. 프로세서(200)는 세그멘테이션 검사 방식을 이용할 경우, 빛샘 검사기를 통해 수집된 빛샘 데이터를 이용하여 학습을 수행함으로써 빛샘의 면적, 개수 및 종류를 검사할 수 있다.
프로세서(200)는 데이터 분류를 위해 2차원 이미지로 디지털화된 빛샘 데이터를 입력으로 특징 추출을 통해 데이터의 특징을 추출할 수 있다. 프로세서(200)는 입력 받은 데이터의 특징을 기반으로 세그멘테이션을 통해 빛샘의 면적, 개수 및 종류를 검사할 수 있다.
도 14는 도 1에 도시된 제품 검사 장치의 동작의 흐름도를 나타낸다.
도 14를 참조하면, 수신기(예: 도 1의 수신기(100))는 제품에 관련된 제품 정보를 수신할 수 있다(1410).
프로세서(200)는 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터를 생성할 수 있다(1430).
프로세서(200)는 제품의 특성에 기초하여 카메라 및 조명의 위치를 제어할 수 있다. 프로세서(200)는 제품의 특성에 기초하여 조명의 각도, 제품과 조명 사이의 거리 및 조명의 모양을 결정할 수 있다. 프로세서(200)는 제품의 특성에 기초하여 조명의 세기를 제어할 수 있다.
프로세서(200)는 위치 및 세기에 기초하여 제품에 조명을 조사할 수 있다. 프로세서(200)는 제품으로부터 새어 나오는 빛에 기초하여 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어할 수 있다. 프로세서(200)는 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어할 수 있다. 프로세서(200)는 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 빛샘 데이터를 생성할 수 있다.
프로세서(200)는 빛샘 데이터의 패턴에 기초하여 제품의 검사 방식을 결정할 수 있다(1450). 프로세서(200)는 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단할 수 있다. 프로세서(200)는 판단 결과에 기초하여 검사 방식을 결정할 수 있다.
프로세서(200)는 패턴이 정형적인 패턴인 경우, 룰 기반 검사 방식으로 검사 방식을 결정할 수 있다. 프로세서(200)는 패턴이 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 검사 방식을 결정할 수 있다.
프로세서(200)는 이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 검사 방식을 결정할 수 있다.
프로세서(200)는 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시킬 수 있다.
프로세서(200)는 검사 방식에 기초하여 제품의 불량 여부를 판단할 수 있다(1470).
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (19)
- 제품에 관련된 제품 정보를 수신하는 단계;
상기 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터(light leaking)를 생성하는 단계;
상기 빛샘 데이터의 패턴에 기초하여 상기 제품의 검사 방식을 결정하는 단계; 및
상기 검사 방식에 기초하여 상기 제품의 불량 여부를 판단하는 단계
를 포함하고,
상기 빛샘 데이터를 생성하는 단계는,
상기 제품에 존재하는 슬릿의 폭 및 상기 슬릿의 수에 기초하여 조사하는 빛의 파장 및 세기를 조절하는 단계를 포함하고,
상기 제품의 검사 방식을 결정하는 단계는,
상기 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하는 단계; 및
판단 결과에 기초하여 상기 검사 방식을 결정하는 단계를 포함하고,
상기 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하는 단계는,
상기 조명으로부터 조사된 빛이 제품 사이에 존재하는 공간으로부터 새어 나오는 양 및 강도에 기초하여 상기 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하는 단계를 포함하고,
상기 판단 결과에 기초하여 상기 검사 방식을 결정하는 단계는,
상기 패턴이 상기 정형적인 패턴인 경우, 룰 기반 검사 방식으로 상기 검사 방식을 결정하는 단계; 및
상기 패턴이 상기 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계를 포함하는
제품 검사 방법.
- 제1항에 있어서,
상기 빛샘 데이터를 생성하는 단계는,
상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하는 단계;
상기 제품의 특성에 기초하여 상기 조명의 세기를 제어하는 단계;
상기 위치 및 상기 세기에 기초하여 상기 제품에 상기 조명을 조사하는 단계; 및
상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성하는 단계
를 포함하는 제품 검사 방법.
- 제2항에 있어서,
상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성하는 단계는,
상기 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어하는 단계;
상기 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어하는 단계; 및
상기 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 상기 빛샘 데이터를 생성하는 단계
를 포함하는 제품 검사 방법.
- 제2항에 있어서,
상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하는 단계는,
상기 제품의 특성에 기초하여 상기 조명의 각도, 상기 제품과 상기 조명 사이의 거리 및 상기 조명의 모양을 결정하는 단계
를 포함하는 제품 검사 방법.
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계는,
이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 상기 검사 방식을 결정하는 단계
를 포함하는 제품 검사 방법.
- 제1항에 있어서,
상기 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는 단계는,
상기 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시키는 단계
를 포함하는 제품 검사 방법.
- 하드웨어와 결합되어 제1항 내지 제4항, 제8항 및 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독가능한 매체에 저장된 컴퓨터 프로그램.
- 제품에 관련된 제품 정보를 수신하는 수신기; 및
상기 제품 정보에 기초하여 카메라 및 조명을 제어하여 빛샘 데이터(light leaking)를 생성하고,
상기 빛샘 데이터의 패턴에 기초하여 상기 제품의 검사 방식을 결정하고,
상기 검사 방식에 기초하여 상기 제품의 불량 여부를 판단하는 프로세서
를 포함하고,
상기 프로세서는,
상기 제품에 존재하는 슬릿의 폭 및 상기 슬릿의 수에 기초하여 조사하는 빛의 파장 및 세기를 조절하고,
상기 빛샘 데이터의 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하고, 판단 결과에 기초하여 상기 검사 방식을 결정하고,
상기 조명으로부터 조사된 빛이 제품 사이에 존재하는 공간으로부터 새어 나오는 양 및 강도에 기초하여 상기 패턴이 정형적인 패턴인지 비정형적인 패턴인지 여부를 판단하고,
상기 패턴이 상기 정형적인 패턴인 경우, 룰 기반 검사 방식으로 상기 검사 방식을 결정하고, 상기 패턴이 상기 비정형적인 패턴인 경우, 딥러닝 기반 검사 방식으로 상기 검사 방식을 결정하는
제품 검사 장치.
- 제11항에 있어서,
상기 프로세서는,
상기 제품의 특성에 기초하여 상기 카메라 및 상기 조명의 위치를 제어하고,
상기 제품의 특성에 기초하여 상기 조명의 세기를 제어하고,
상기 위치 및 상기 세기에 기초하여 상기 제품에 상기 조명을 조사하고,
상기 제품으로부터 새어 나오는 빛에 기초하여 상기 빛샘 데이터를 생성하는
제품 검사 장치.
- 제12항에 있어서,
상기 프로세서는,
상기 제품으로부터 새어 나오는 빛이 투과하는 렌즈를 제어하고,
상기 렌즈를 통과한 빛을 감지하는 이미지 센서를 제어하고,
상기 이미지 센서로부터 획득한 데이터를 2D 이미지로 변환함으로써 상기 빛샘 데이터를 생성하는
제품 검사 장치.
- 제12항에 있어서,
상기 프로세서는,
상기 제품의 특성에 기초하여 상기 조명의 각도, 상기 제품과 상기 조명 사이의 거리 및 상기 조명의 모양을 결정하는
제품 검사 장치.
- 삭제
- 삭제
- 삭제
- 제11항에 있어서,
상기 프로세서는,
이상 탐지(anomaly detection), 분류(classification), 객체 탐지(object detection) 또는 세그멘테이션(segmentation) 중에서 하나의 검사 방식으로 상기 검사 방식을 결정하는
제품 검사 장치.
- 제11항에 있어서,
상기 프로세서는,
상기 빛샘 데이터에 기초하여 딥러닝 기반 검사 방식을 수행하기 위한 뉴럴 네트워크를 학습시키는
제품 검사 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068925A KR102486819B1 (ko) | 2022-06-07 | 2022-06-07 | 빛샘 데이터를 이용한 제품 검사 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068925A KR102486819B1 (ko) | 2022-06-07 | 2022-06-07 | 빛샘 데이터를 이용한 제품 검사 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102486819B1 true KR102486819B1 (ko) | 2023-01-10 |
Family
ID=84893821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220068925A KR102486819B1 (ko) | 2022-06-07 | 2022-06-07 | 빛샘 데이터를 이용한 제품 검사 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102486819B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2659645B2 (ja) * | 1991-12-18 | 1997-09-30 | 三菱電機株式会社 | リード端子平坦度測定方法 |
| KR100486768B1 (ko) * | 2002-12-23 | 2005-05-03 | 정태열 | 회로기판의 아이씨소자용 실드 검사장치 및 그 검사방법 |
| JP2016200501A (ja) * | 2015-04-10 | 2016-12-01 | 株式会社レクザム | 基板検査装置 |
| KR20200103150A (ko) * | 2019-02-11 | 2020-09-02 | (주) 인텍플러스 | 외관 검사 시스템 |
| KR102235933B1 (ko) * | 2019-11-29 | 2021-04-05 | 주식회사 원더풀플랫폼 | 검사조건 최적화 시스템 |
-
2022
- 2022-06-07 KR KR1020220068925A patent/KR102486819B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2659645B2 (ja) * | 1991-12-18 | 1997-09-30 | 三菱電機株式会社 | リード端子平坦度測定方法 |
| KR100486768B1 (ko) * | 2002-12-23 | 2005-05-03 | 정태열 | 회로기판의 아이씨소자용 실드 검사장치 및 그 검사방법 |
| JP2016200501A (ja) * | 2015-04-10 | 2016-12-01 | 株式会社レクザム | 基板検査装置 |
| KR20200103150A (ko) * | 2019-02-11 | 2020-09-02 | (주) 인텍플러스 | 외관 검사 시스템 |
| KR102235933B1 (ko) * | 2019-11-29 | 2021-04-05 | 주식회사 원더풀플랫폼 | 검사조건 최적화 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
| Shanmugamani et al. | Detection and classification of surface defects of gun barrels using computer vision and machine learning | |
| US11774371B2 (en) | Defect size measurement using deep learning methods | |
| TWI836175B (zh) | 先進在線零件平均測試 | |
| KR102317992B1 (ko) | 뉴럴 네트워크를 이용한 제품 검사 방법, 장치 및 제품 검사 장치 학습 방법 | |
| US9678442B2 (en) | Aerial mask inspection based weak point analysis | |
| KR20200060519A (ko) | 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 | |
| KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
| Pan et al. | RETRACTED: Artificial neural network for defect detection in CT images of wood | |
| KR102269741B1 (ko) | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 | |
| WO2022144722A1 (en) | Machine learning-based generation of rule-based classification recipes for inspection system | |
| Naddaf-Sh et al. | Real‐Time Explainable Multiclass Object Detection for Quality Assessment in 2‐Dimensional Radiography Images | |
| Cardellicchio et al. | Automatic quality control of aluminium parts welds based on 3D data and artificial intelligence | |
| KR102486819B1 (ko) | 빛샘 데이터를 이용한 제품 검사 방법 및 장치 | |
| Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
| KR102410025B1 (ko) | 머신 러닝 기반 디지털 홀로그래피 장치 및 이의 동작 방법 | |
| KR102302341B1 (ko) | 자기지도 학습에 기반한 제품 검사 방법 및 장치 | |
| KR102296511B1 (ko) | 제품 검사를 위한 학습 데이터 생성 장치, 방법 및 그 학습 데이터를 이용한 제품 검사 장치 | |
| Legon et al. | Detection and classification of PCB defects using deep learning methods | |
| Lee et al. | Fabric Defect Detection by Applying Structural Similarity Index to the Combination of Variational Autoencode and Generative Adversarial Network | |
| KR102368201B1 (ko) | 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 | |
| TWI851888B (zh) | 用於半導體檢測之系統及方法，及非暫時性電腦可讀儲存媒體 | |
| Rahman et al. | Performance Evaluation of Several Transfer Learning Models for Classification of Road Surface State | |
| US20240281953A1 (en) | Adaptive spatial pattern recognition for defect detection | |
| KR102324162B1 (ko) | 포토레지스트 코팅 품질 검사가 가능한 스핀 코터 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |