KR102500258B1 - 제품 이상 탐지 방법 - Google Patents

Abstract

비지도 인공지능 알고리즘을 이용하여 제품 이상 유무를 탐지할 수 있는 제품 이상 탐지 방법에 관한 것으로, 제품의 정상 이미지를 획득하는 단계, 상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하는 단계, 상기 정상 이미지와 복원 이미지의 차이값을 산출하는 단계, 및 상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하는 단계를 포함하고, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

Description

제품 이상 탐지 방법{METHOD FOR DETECTING ANOMALY OF PRODUCT}

본 발명은 제품 이상 탐지 방법에 관한 것으로, 보다 구체적으로 비지도 인공지능 알고리즘을 이용하여 제품 이상 유무를 탐지할 수 있는 제품 이상 탐지 방법에 관한 것이다.

일반적으로, 제조업에서는, 제조품의 불량 유무를 탐지하기 위하여 머신 비전과 인공지능을 활용한 방안들이 사용되고 있다.

인공지능 학습을 위해서는, 정상 이미지 및 불량 이미지들이 적정 수량 확보되어야 한다.

특히, 불량 이미지의 경우에는, 인공지능 학습을 위해, 불량이 발생할 수 있는 다양한 이미지들이 더 많이 필요로 한다.

하지만, 실제 현장에서는, 불량 이미지들을 확보하기가 어려우며, 불량 이미지들의 다양성 또한 부족하다.

그러므로, 정상 이미지만으로 학습을 수행하기 위하여, 비지도 인공지능 알고리즘인 AE(AutoEncoder) 및 VAE(Variational Auto-Encoder) 등을 이용한 방안 등이 제시되고 있지만, 여전히 만족스러운 성능이 나오지 않고 있다.

따라서, 정상 이미지만으로 학습을 수행하여도 학습 성능이 향상될 수 있는 비지도 인공지능 알고리즘을 이용한 제품 이상 유무 탐지 방법의 개발이 요구되고 있다.

대한민국 공개특허공보 제10-2012-0074630호 (2010.12.28)

본 발명의 일실시예가 이루고자 하는 기술적 과제는, 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델을 이용하여 정상 이미지만으로 학습을 수행하여도 제품의 이상 유무 탐지 성능이 향상될 수 있는 제품 이상 탐지 방법을 제공하고자 한다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 제품 이상 탐지 방법은, 제품의 정상 이미지를 획득하는 단계, 상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하는 단계, 상기 정상 이미지와 복원 이미지의 차이값을 산출하는 단계, 및 상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하는 단계를 포함하고, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하는 네이버 컨벌루션(neighbor convolution)부, 그리고 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하는 오토인코더부를 포함할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 네이버 컨벌루션부는, 상기 정상 이미지가 입력되면, 상기 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 네이버 컨벌루션부는, 상기 정상 이미지가 입력되면, 상기 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 상기 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 상기 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 오토인코더부는, 상기 피쳐 이미지가 입력되면, 상기 피쳐 이미지의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 오토인코더부는, 상기 피쳐 이미지가 입력되면, 상기 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 오토인코더부는, 상기 피쳐 이미지의 데이터를 인코딩하는 인코더부; 상기 인코딩된 피쳐 이미지의 데이터를 디코딩하여 복원 이미지를 출력하는 디코더부; 그리고 상기 인코더부와 디코더부를 연결하는 보틀넥(bottle neck)부를 포함할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 주변 값을 입력 값으로 하는 네이버 컨벌루션(Neighbor Convolution)을 추가한 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델일 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 복원 이미지를 상기 인공지능 모델에 입력하여 재학습시키는 단계를 더 포함할 수 있다.

제품 이상 탐지 방법의 대안적인 실시예에서, 상기 인공지능 모델을 재학습시키는 단계는, 상기 입력되는 복원 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 제품 이상 탐지 방법을 제공하기 위한 제품 이상 탐지 장치는, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 제품의 정상 이미지를 획득하고, 상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하며, 상기 정상 이미지와 복원 이미지의 차이값을 산출하고, 그리고 상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하며, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 제품 이상 탐지를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제품의 정상 이미지를 획득하는 동작; 상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하는 동작; 상기 정상 이미지와 복원 이미지의 차이값을 산출하는 동작; 그리고 상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하는 동작을 포함하고, 상기 인공지능 모델은, 상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

본 발명에 따른 제품 이상 탐지 방법 및 장치의 효과에 대해 설명하면 다음과 같다.

본 발명은, 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델을 이용하여 정상 이미지만으로 학습을 수행하여도 제품의 이상 유무 탐지 성능이 향상될 수 있다.

본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 해당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.

상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은, 본 개시의 일 실시예에 따라, 제품 이상 탐지 방법을 제공하기 위한 동작을 수행하는 제품 이상 탐지 장치의 블록 구성도를 도시한 도면이다.
도 2는, 본 개시의 일 실시예에 따라 네이버 컨벌루션 오토인코더 기반의 인공지능 모델을 나타낸 개략도이다.
도 3은, 본 개시의 일 실시예에 따라, 제품 이상 탐지 방법을 설명하기 위한 블럭 구성도이다.
도 4는, 인공지능 모델의 네이버 컨벌루션 과정을 설명하기 위한 도면이다.
도 5 내지 도 9b는, 네이버 컨벌루션 오토인코더 기반의 인공지능 모델을 포함한 다양한 인공지능 모델들에 대한 ROC를 비교한 그래프이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 서버에서 실행되는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 명세서에서 인공지능 모델, 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 또는 "이미지 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 그 대상의 디지털 표현물을 지칭하는 용어이다.

또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

도 1은, 본 개시의 일 실시예에 따라, 제품 이상 탐지 방법을 제공하기 위한 동작을 수행하는 제품 이상 탐지 장치의 블록 구성도를 도시한 도면이다.

도 1에 도시된 제품 이상 탐지 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 제품 이상 탐지 장치(100)는, 제품 이상 탐지 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 제품 이상 탐지 장치(100)를 구성할 수도 있다.

제품 이상 탐지 장치(100)는, 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

본 개시에서, 프로세서(110)는, 비지도 인공지능 알고리즘을 이용하여 제품 이상 유무를 탐지할 수 있는 제품 이상 탐지 방법을 수행하기 위한 것으로, 제품의 정상 이미지를 획득하고, 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하며, 정상 이미지와 복원 이미지의 차이값을 산출하고, 그리고 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정할 수 있다.

여기서, 인공지능 모델은, 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

일 예로, 인공지능 모델은, 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하는 네이버 컨벌루션(neighbor convolution)부와, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하는 오토인코더부를 포함할 수 있다.

여기서, 네이버 컨벌루션부는, 정상 이미지가 입력되면, 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

즉, 네이버 컨벌루션부는, 정상 이미지가 입력되면, 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

예를 들면, 네이버 컨벌루션부는, 정상 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀을 제외하고 중앙 픽셀에 이웃하는 주변 픽셀 8개만을 선택하며, 선택한 주변 픽셀 8개의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

이어, 오토인코더부는, 피쳐 이미지가 입력되면, 피쳐 이미지의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

여기서, 오토인코더부는, 피쳐 이미지가 입력되면, 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

예를 들면, 오토인코더부는, 피쳐 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀 1개의 입력값을 포함한 중앙 픽셀에 이웃하는 주변 픽셀 8개의 입력값 모두에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

오토인코더부는, 피쳐 이미지의 데이터를 인코딩하는 인코더부, 인코딩된 피쳐 이미지의 데이터를 디코딩하여 복원 이미지를 출력하는 디코더부, 그리고 인코더부와 디코더부를 연결하는 보틀넥(bottle neck)부를 포함할 수 있다.

이처럼, 본 발명의 인공지능 모델은, 정상 이미지의 픽셀 주변 값을 입력 값으로 하는 네이버 컨벌루션(Neighbor Convolution)을 추가한 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델일 수 있다.

여기서, 인공지능 모델은,

으로 이루어지는 수식에 의해, 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행할 수 있다.

또한, 본 발명은, 복원 이미지를 인공지능 모델에 입력하여 재학습시킬 수도 있다.

여기서, 본 발명은, 인공지능 모델을 재학습시킬 때, 입력되는 복원 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하고, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

그리고, 전술한 인공지능 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는, 본 개시의 일 실시예에 따른 안저 검사 수행 및 안저 검사 결과를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다. 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는, 제품 이상 탐지 결과 정보 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 제품 이상 탐지 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 제품 이상 탐지 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 제품 이상 탐지 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.

본 개시의 일 실시예에 따른 출력부는, 제품 이상 탐지 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.

본 개시의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.

본 개시의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.

본 개시의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

본 개시의 실시예들에 따른 입력부는, 제품 이상 탐지 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.

본 개시의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.

본 개시의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.

본 개시의 일 실시예에 따른 제품 이상 탐지 검사 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.

서버는, 본 개시의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 제품 이상 탐지 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 개시의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

따라서, 본 개시는, 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델을 이용하여 정상 이미지만으로 학습을 수행하여도 제품의 이상 유무 탐지 성능이 향상될 수 있다.

도 2는, 본 개시의 일 실시예에 따라 네이버 컨벌루션 오토인코더 기반의 인공지능 모델을 나타낸 개략도이다.

도 2에 도시된 바와 같이, 본 개시의 인공지능 모델(400)은, 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하고, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다.

인공지능 모델(400)은, 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하는 네이버 컨벌루션부(410)와, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하는 오토인코더부(420)를 포함할 수 있다.

여기서, 네이버 컨벌루션부(410)는, 정상 이미지가 입력되면, 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

즉, 네이버 컨벌루션부(410)는, 정상 이미지가 입력되면, 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

예를 들면, 네이버 컨벌루션부(410)는, 정상 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀을 제외하고 중앙 픽셀에 이웃하는 주변 픽셀 8개만을 선택하며, 선택한 주변 픽셀 8개의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

이어, 오토인코더부(420)는, 피쳐 이미지가 입력되면, 피쳐 이미지의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

여기서, 오토인코더부(420)는, 피쳐 이미지가 입력되면, 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

예를 들면, 오토인코더부(420)는, 피쳐 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀 1개의 입력값을 포함한 중앙 픽셀에 이웃하는 주변 픽셀 8개의 입력값 모두에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

오토인코더부(420)는, 피쳐 이미지의 데이터를 인코딩하는 인코더부(422), 인코딩된 피쳐 이미지의 데이터를 디코딩하여 복원 이미지를 출력하는 디코더부(424), 그리고 인코더부(422)와 디코더부(424)를 연결하는 보틀넥부(426)를 포함할 수 있다.

이처럼, 본 개시의 인공지능 모델은, 정상 이미지의 픽셀 주변 값을 입력 값으로 하는 네이버 컨벌루션을 추가한 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는, 상호 교환 가능한 의미로 사용될 수 있다. 신경망은, 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은, 뉴런(neuron)들로 지칭될 수도 있다. 신경망은, 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은, 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는, 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는, 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는, 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은, 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서, 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은, 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은, 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는, 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는, 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는, 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는, 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은, 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은, 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은, 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은, 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 인공지능 모델은, 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는, 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는, 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는, 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는, 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서, 인코더에 포함된 히든 레이어의 노드의 수는, 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는, 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

인공지능 모델의 학습은, 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는, 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는, 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서, 일반적으로 학습 데이터는, 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는, 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은, 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은, 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 3은, 본 개시의 일 실시예에 따라, 제품 이상 탐지 방법을 설명하기 위한 블럭 구성도이고, 도 4는, 인공지능 모델의 네이버 컨벌루션 과정을 설명하기 위한 도면이다.

도 3에 도시된 바와 같이, 본 개시의 제품 이상 탐지 장치는, 비지도 인공지능 알고리즘을 이용하여 제품 이상 유무를 탐지할 수 있는 제품 이상 탐지 방법을 수행하기 위한 것이다.

본 개시의 제품 이상 탐지 장치는, 제품의 정상 이미지(310)를 획득할 수 있다.

그리고, 본 개시는, 정상 이미지(310)를 사전 학습된 인공지능 모델(400)에 입력하여 복원 이미지(320)를 생성할 수 있다.

여기서, 인공지능 모델(400)의 네이버 컨벌루션부(410)는, 정상 이미지(310)의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성할 수 있다.

네이버 컨벌루션부(410)는, 정상 이미지(310)가 입력되면, 정상 이미지(310)의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

즉, 도 4에 도시된 바와 같이, 네이버 컨벌루션부(410)는, 정상 이미지(310)가 입력되면, 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

예를 들면, 도 4와 같이, 네이버 컨벌루션부(410)는, 정상 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀을 제외하고 중앙 픽셀에 이웃하는 주변 픽셀 8개만을 선택하며, 선택한 주변 픽셀 8개의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성할 수 있다.

다음, 인공지능 모델(400)의 오토인코더부(420)는, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지(320)를 생성할 수 있다.

오토인코더부(420)는, 피쳐 이미지가 입력되면, 피쳐 이미지의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지(320)를 생성할 수 있다.

여기서, 오토인코더부(420)는, 피쳐 이미지가 입력되면, 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

예를 들면, 오토인코더부(420)는, 피쳐 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 중앙 픽셀 1개의 입력값을 포함한 중앙 픽셀에 이웃하는 주변 픽셀 8개의 입력값 모두에 대해 컨벌루션을 수행하여 복원 이미지를 생성할 수 있다.

오토인코더부(420)는, 피쳐 이미지의 데이터를 인코딩하는 인코더부(422), 인코딩된 피쳐 이미지의 데이터를 디코딩하여 복원 이미지를 출력하는 디코더부(424), 그리고 인코더부(422)와 디코더부(424)를 연결하는 보틀넥(426)부를 포함할 수 있다.

다음, 본 개시의 차이 산출부(500)는, 정상 이미지(310)와 복원 이미지(320)의 차이값을 산출할 수 있다.

그리고, 본 개시의 제품 이상 유무를 판단하는 판단부(600)는, 정상 이미지(310)와 복원 이미지(320)의 차이값을 기초로 제품의 이상 유무를 판정할 수 있다.

이처럼, 본 개시의 인공지능 모델은, 정상 이미지의 픽셀 주변 값을 입력 값으로 하는 네이버 컨벌루션을 추가한 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델일 수 있다.

여기서, 인공지능 모델은,

으로 이루어지는 수식에 의해, 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행할 수 있다.

또한, 본 개시는, 복원 이미지를 인공지능 모델에 입력하여 재학습시킬 수도 있다.

여기서, 본 개시는, 인공지능 모델을 재학습시킬 때, 입력되는 복원 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하고, 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성할 수 있다

도 5 내지 도 9b는, 네이버 컨벌루션 오토인코더 기반의 인공지능 모델을 포함한 다양한 인공지능 모델들에 대한 ROC를 비교한 그래프이다.

도 5 내지 도 9b에 도시된 바와 같이, 본 개시의 인공지능 모델을 포함한 다양한 다수의 인공지능 모델들에 대해, 정상 이미지만을 사용하여 학습시킨 다음, ROC(Receiver Operating Characteristic) 커브의 AUC(Area Under the ROC Curve) 값을 측정하였다.

여기서, AUC 값은, 다양한 임계값을 사용하여 양품/불량품 판정 등 이진 분류 모델의 성능을 측정하는 지표이다.

따라서, 인공지능 모델의 AUC 값이 지표 1에 가까울수록 높은 성능을 가진 것으로 볼 수 있다.

도 5와 같이, 본 개시의 인공지능 모델인 네이버 컨벌루션 오토인코더(NC-AE)는, 범위 기준 AUC 값이 약 0.955 값으로 최대 성능을 나타내는 것으로 확인되었다.

또한, 도 6과 같이, 본 개시의 인공지능 모델인 네이버 컨벌루션 오토인코더(NC-AE)는, MSE(Mean Squared Error) 기준 AUC 값이 약 0.7911 값으로 높은 성능을 나타내는 것으로 확인되었다.

이에 반해, 도 7a 및 도 7b과 같이, 오토인코더(AE) 모델은, 범위 기준 AUC 값이 약 0.874 값으로 나타나고, MSE(Mean Squared Error) 기준 AUC 값이 약 0.6876 값으로 나타남을 알 수 있다.

또한, 도 8a 및 도 8b과 같이, VAE(Variational Auto Encoder) 모델은, 범위 기준 AUC 값이 약 0.6174 값으로 나타나고, MSE(Mean Squared Error) 기준 AUC 값이 약 0.6675 값으로 나타남을 알 수 있다.

또한, 도 9a 및 도 9b와 같이, Dilated VAE(Variational Auto Encoder) 모델은, 범위 기준 AUC 값이 약 0.6293 값으로 나타나고, MSE(Mean Squared Error) 기준 AUC 값이 약 0.7102 값으로 나타남을 알 수 있다.

	NC-AE	AE	VAE	Dilated VAE
MSE 기준 AUC 값	0.7911	0.6876	0.6675	0.7102
범위 기준 AUC 값	0.955	0.874	0.6174	0.6293

이와 같이, 본 개시의 네이버 컨벌루션 오토인코더(NC-AE)는, 다른 인공지능 모델들에 비해 제품 이상 탐지 성능이 매우 우수함을 알 수 있다.따라서, 본 발명은, 네이버 컨벌루션 오토인코더(Neighbor Convolution AE, NC-AE) 기반의 인공지능 모델을 이용하여 정상 이미지만으로 학습을 수행하여도 제품의 이상 유무 탐지 성능이 향상될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 제품의 정상 이미지를 획득하는 단계;
   상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하는 단계;
   상기 정상 이미지와 복원 이미지의 차이값을 산출하는 단계; 및
   상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하는 단계를 포함하고,
   상기 인공지능 모델은,
   상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하도록, 상기 정상 이미지가 입력되면, 상기 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 상기 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 상기 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성하는 네이버 컨벌루션(neighbor convolution)부; 그리고,
   상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하도록, 상기 피쳐 이미지가 입력되면, 상기 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성하는 오토인코더부;를 포함하는 것을 특징으로 하는 제품 이상 탐지 방법.
2. 제1 항에 있어서,
   상기 네이버 컨벌루션부는,
   상기 정상 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 상기 중앙 픽셀을 제외하고 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개만을 선택하며, 상기 선택한 주변 픽셀 8개의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성하는 것을 특징으로 하는 제품 이상 탐지 방법.
3. 제1 항에 있어서,
   상기 오토인코더부는,
   상기 피쳐 이미지의 컨볼루션 필터가 중앙 픽셀 1개와 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개로 구성되면, 상기 중앙 픽셀 1개의 입력값을 포함한 상기 중앙 픽셀에 이웃하는 주변 픽셀 8개의 입력값 모두에 대해 컨벌루션을 수행하여 복원 이미지를 생성하는 것을 특징으로 하는 제품 이상 탐지 방법.
4. 제1 항에 있어서,
   상기 인공지능 모델은,
   

   

   으로 이루어지는 수식에 의해, 상기 정상 이미지의 각 픽셀 입력값 대신에 해당하는 픽셀의 주변 픽셀 입력값에 대해 컨벌루션을 수행하는 것을 특징으로 하는 제품 이상 탐지 방법.
5. 제1 항에 있어서,
   상기 오토인코더부는,
   상기 복원 이미지를 생성하는 상기 복원 이미지를 상기 인공지능 모델에 입력하여 재학습시키는 단계를 더 포함하는 것을 특징으로 하는 제품 이상 탐지 방법.
6. 제5 항에 있어서,
   상기 인공지능 모델을 재학습시키는 단계는,
   상기 입력되는 복원 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하는 것을 특징으로 하는 제품 이상 탐지 방법.
7. 제2 항에 있어서,
   상기 오토인코더부는,
   상기 피쳐 이미지의 데이터를 인코딩하는 인코더부;
   상기 인코딩된 피쳐 이미지의 데이터를 디코딩하여 복원 이미지를 출력하는 디코더부; 그리고,
   상기 인코더부와 디코더부를 연결하는 보틀넥(bottle neck)부를 포함하는 것을 특징으로 하는 제품 이상 탐지 방법.
8. 제6 항에 있어서,
   상기 인공지능 모델을 재학습시키는 단계는,
   상기 입력되는 복원 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지를 생성하고, 상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하는 것을 특징으로 하는 제품 이상 탐지 방법.
9. 제품 이상 탐지 방법을 제공하기 위한 제품 이상 탐지 장치로서,
   하나 이상의 코어를 포함하는 프로세서; 및
   메모리를 포함하고,
   상기 프로세서는,
   제품의 정상 이미지를 획득하고,
   상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하며,
   상기 정상 이미지와 복원 이미지의 차이값을 산출하고, 그리고
   상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하며,
   상기 인공지능 모델은,
   상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하도록, 상기 정상 이미지가 입력되면, 상기 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 상기 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 상기 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성하는 네이버 컨벌루션(neighbor convolution)부; 그리고,
   상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하도록, 상기 피쳐 이미지가 입력되면, 상기 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성하는 오토인코더부;를 포함하는 것을 특징으로 하는 제품 이상 탐지 장치.
10. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 제품 이상 탐지를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    제품의 정상 이미지를 획득하는 동작;
    상기 정상 이미지를 사전 학습된 인공지능 모델에 입력하여 복원 이미지를 생성하는 동작;
    상기 정상 이미지와 복원 이미지의 차이값을 산출하는 동작; 그리고
    상기 정상 이미지와 복원 이미지의 차이값을 기초로 상기 제품의 이상 유무를 판정하는 동작을 포함하고,
    상기 인공지능 모델은,
    상기 정상 이미지의 픽셀 입력값과 다른 출력값을 갖는 피쳐 이미지(feature image)를 생성하도록, 상기 정상 이미지가 입력되면, 상기 정상 이미지의 픽셀들 중, 컨볼루션 필터의 중앙 픽셀을 제외하고, 상기 중앙 픽셀에 이웃하는 주변 픽셀들만을 선택하며, 상기 선택한 주변 픽셀의 입력값에 대해 컨벌루션을 수행하여 피쳐 이미지를 생성하는 네이버 컨벌루션(neighbor convolution)부; 그리고,
    상기 피쳐 이미지의 픽셀 입력값과 동일한 출력값을 갖는 복원 이미지를 생성하도록, 상기 피쳐 이미지가 입력되면, 상기 피쳐 이미지의 픽셀들 중, 컨볼루션 필터의 모든 픽셀의 입력값에 대해 컨벌루션을 수행하여 복원 이미지를 생성하는 오토인코더부;를 포함하는 것을 특징으로 하는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.

Images