KR102512625B1 - 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치 - Google Patents

데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR102512625B1
KR102512625B1 KR1020200139396A KR20200139396A KR102512625B1 KR 102512625 B1 KR102512625 B1 KR 102512625B1 KR 1020200139396 A KR1020200139396 A KR 1020200139396A KR 20200139396 A KR20200139396 A KR 20200139396A KR 102512625 B1 KR102512625 B1 KR 102512625B1
Authority
KR
South Korea
Prior art keywords
class
data
label data
input data
new
Prior art date
Application number
KR1020200139396A
Other languages
English (en)
Other versions
KR20220055184A (ko
Inventor
윤종필
신우상
이종현
Original Assignee
한국생산기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200139396A priority Critical patent/KR102512625B1/ko
Publication of KR20220055184A publication Critical patent/KR20220055184A/ko
Application granted granted Critical
Publication of KR102512625B1 publication Critical patent/KR102512625B1/ko

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

데이터 증강을 이용한 결함 검사를 위한 학습 방법 및 이를 수행하는 장치가 개시된다. 일 실시예에 따른 제품의 결함 검사를 위한 학습 방법은 검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하는 단계와, 상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하는 단계와, 상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는 단계를 포함한다.

Description

데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치{LEARNING METHOD FOR DEFECT INSPECTION USING DATA AUGMENTATION AND APPARATUS PERFORMING THE SAME}
본 개시는 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치에 관한 것이다.
최근에는 검사 대상(또는 제품)이 촬영된 영상을 통해 제품의 결함을 검사할 수 있다. 영상에서 결함의 종류를 판단하는 인식 모듈은 영상 결함 검사 성능에 많은 영향을 미치는 주요 요소일 수 있다.
과거에는 개발자의 경험적 판단으로 검사 대상에 대한 정상과 결함을 판단하는 rule-base 방법에 의존하여 검사 대상에 대한 특징의 주요 인자를 추출하는 알고리즘 개발 방법으로 결함 검사 시스템을 개발하였다.
하지만, 기존의 결함 검사 방법은 개발 기간이 길어지는 단점 및 제품과 결함에 따라 매번 주요 인자 추출 알고리즘을 개발해야 하는 단점이 있다.
실시예들은 결함 검사 장치에 적용되는 딥러닝 모델을 학습시키기 위해 적은 양의 데이터를 믹싱하여 학습 데이터를 생성하는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 제품의 결함 검사를 위한 학습 방법은 검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하는 단계와, 상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하는 단계와, 상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는 단계를 포함한다.
상기 방법은 각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성하는 단계를 더 포함할 수 있다.
상기 새로운 레이블 데이터를 생성하는 단계는 상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하는 단계와, 상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성하는 단계를 포함할 수 있다.
상기 재구성하는 단계는 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장하는 단계를 포함할 수 있다.
상기 새로운 입력 데이터를 생성하는 단계는 상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하는 단계와, 리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 제품의 결함 검사를 위한 학습 장치는 하나 이상의 인스트럭션을 저장하는 메모리와, 상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고, 상기 인스트럭션이 실행될 때, 상기 프로세서는 검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하고, 상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하고, 상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시킨다.
상기 프로세서는 각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성할 수 있다.
상기 프로세서는 상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하고, 상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성할 수 있다.
상기 프로세서는 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장할 수 있다.
상기 프로세서는 상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하고, 리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성할 수 있다.
도 1은 기존의 결함 검사 방법을 설명하기 위한 일 예를 나타낸다.
도 2는 일 실시예에 따른 결함 검사 시스템의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 결함 검사 장치의 개략적인 블록도를 나타낸다.
도 4는 뉴럴 네트워크를 학습하기 위한 학습 장치를 나타낸다.
도 5 내지 도 7은 학습 과정을 설명하기 위한 도면들이다.
도 8은 도 3에 도시된 결함 검사 장치가 학습된 딥러닝 모델을 이용하여 결함 검출 및 분류 동작을 수행하는 도면이다.
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.
도 1은 기존의 결함 검사 방법을 설명하기 위한 일 예를 나타낸다.
최근에는 스마트 팩토리(smart factory) 구현을 위한 다양한 기술들이 집중 연구되고 있다. 스마트 팩토리 구현을 위해서는 공정 데이터가 필요하고, 그 결과로 나타나는 제품의 품질 데이터가 DB(data base)화 되어 있어야 한다. 공정 데이터는 원료량, 원료 품질, 제조 공정 데이터(온도, 습도 등) 및 설비 운전 조건 등의 다양한 데이터일 수 있다. 즉, 스마트 팩토리는 입력(input)과 출력(output)의 상관관계를 분석하여 품질을 예측하고, 대량 결함 발생을 사전에 방지하고, 설비 고장을 사전에 예측하여 선제적으로 대응할 수 있어야 한다.
제품의 결함을 검사하는 결함 검사 시스템은 스마트 팩토리 구현을 위한 핵심 기술일 수 있다. 예를 들어, 결함 검사 시스템은 비전 시스템, 광학 모듈, 데이터 처리 모듈 및 MMI(Man machine interface) 모듈로 구성되어 제품의 결함을 실시간 검사하고 제품의 품질을 판정할 수 있다. 이때, 결함 검사 시스템의 주요 요소는 영상에서 결함의 위치와 종류를 판단하는 데이터 처리 모듈(또는 결함 인식 모듈)일 수 있다.
비전 시스템은 제품의 표면 결함을 검사할 수 있다. 광학 모듈은 제품을 촬영하기 위해서 카메라와 조명으로 구성되어 제품에 대한 영상을 획득할 수 있다. 데이터 처리 모듈은 광학 모듈에서 획득된 영상에서 결함을 검사할 수 있다. MMI 모듈은 제품에 대한 영상과 결함 검사 결과를 표시(또는 디스플레이) 및 저장할 수 있다.
특히, 영상에서 결함의 위치와 종류를 판단하는 인식 모듈이 결함 검사 성능에 영향을 미치는 주요 요소이다. 예전에는 정상과 결함을 판단하기 위해, 개발자의 경험적 판단으로 rule-base 방법에 의존하여 특징의 주요 인자를 추출하는 알고리즘 개발 방법으로 시스템을 개발하였지만, 이러한 방법은 개발 기간이 길어지고, 제품과 결함에 따라 매번 주요 인자 추출 알고리즘을 개발해야 하는 단점과 그에 따른 인식 성능 저하가 나타났다. 따라서 최근에는 결함 검출 및 분류를 위한 특징 추출을 스스로 할 수 있는 딥러닝 기술을 이용하여 인식 알고리즘을 개발하는 추세이다.
도 2는 일 실시예에 따른 결함 검사 시스템의 개략적인 블록도를 나타낸다.
결함 검사 시스템(10)은 딥러닝 방법을 이용하여 결함을 검사하기 위한 시스템이다.
최근 머신 비전(Machine Vision)과 이미지 데이터(image data)를 이용하여 양품과 불량, 더 나아가서 불량의 종류를 판별하는 검사 기술에는 딥러닝 방법이 많이 사용되고 있다. 딥러닝은 신경망 레이어가 깊게 쌓여있는 구조이며 레이어 수가 많아질수록 복잡하고 어려운 문제를 풀 수 있다. 깊은 구조의 딥러닝 모델을 오버-피팅(over-fitting)없이 일반화 성능이 우수한 모델로 학습하기 위해서는 충분한 데이터(예를 들어, 입력 데이터 + 레이블 데이터)가 확보되어야 한다. 오버-피팅은 학습된 데이터에 대해서는 우수한 성능을 보이지만, 학습되지 않은 데이터에 대해서는 성능이 떨어지는 현상을 말한다.
제조업의 결함 검사에서는 결함 데이터 확보가 용이하지 않는 경우가 많이 있고, 특히 치명적인 결함은 발생량이 많지 않지만 꼭 검출해야 하는 결함이므로 딥러닝을 이용한 결함 검사 시스템에는 적은 양의 데이터로 학습해야 하는 방법이 필수적이다.
결함 검사 시스템(10)은 적은 양의 데이터를 믹싱(Mixing)하여 새로운 학습 데이터를 만들어내는 방법과 이를 응용한 제조업 생산 라인의 결함을 검사하는 방법을 수행할 수 있다. 결함 검사 시스템(10)은 이미지 제공 장치(100) 및 결함 검사 장치(300)를 포함할 수 있다.
이미지 제공 장치(100)는 결함 검사 장치(300)가 검사할 검사 대상의 이미지를 결함 검사 장치(300)에 제공할 수 있다. 예를 들어, 이미지 제공 장치(100)는 카메라를 이용하여 검사 대상을 촬영하여 검사 대상에 대응하는 이미지(또는 영상)을 생성할 수 있다. 검사 대상은 다양한 결함(또는 불량)이 발생될 수 있는 다양한 오브젝트(object)일 수 있다. 오브젝트는 스마트 팩토리 및 일반적인 팩토리 등에서 다양한 공정 과정을 거쳐 생성된 제품일 수 있다. 검사 대상의 이미지는 검사 대상의 내부 및/또는 외부 이미지일 수 있다.
결함 검사 장치(300)는 학습된 뉴럴 네트워크(또는 인공 신경망)을 이용하여 검사 대상의 결함 검사를 고속으로 수행할 수 있다. 학습된 뉴럴 네트워크는 입력 데이터를 확장하고, 레이블 데이터를 확장하여 이 둘을 믹싱하여 새로운 데이터를 생성하는 것으로 학습된 것일 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 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.
결함 검사 장치(300)는 결함 검사에 대한 연산 속도가 빠르면서 깊은 뉴럴 네트워크의 결함 검사 성능을 유지하면서 빠른 연산 속도로 검사 대상의 양불량을 검사할 수 있다. 결함 검사 장치(300)는 검사 대상을 고속으로 생산하는 고속 생산 라인에 적용되어 검사 대상의 결함 검사를 고속으로 수행할 수 있다.
결함 검사 장치(300)는 뉴럴 네트워크을 이용한 영상 분석 기술을 다양한 제조업 제품의 품질 진단, 결함 검사에 응용하고, 영상에서 뉴럴 네트워크를 활용한 결함 검사 기술을 다양한 제품의 내외부 결함 검사, 품질 정량화의 핵심 기술로 사용할 수 있다. 예를 들어, 결함 검사 장치(300)는 특정 대상을 자동으로 검사하는 기술을 통해 결함 검사뿐만 아니라, 비파괴 검사와 같은 진단 분야에도 사용될 수 있다.
결함 검사 장치(300)는 Smart Factory 구현의 필수기술로, 생산 조업 조건에 따른 설비의 상태를 판정하고 설비 상태에 따른 제품의 품질을 예측하여 생산 조건을 최적화하는 기술에도 응용 가능할 수 있다.
도 3은 도 2에 도시된 결함 검사 장치의 개략적인 블록도를 나타낸다.
결함 검사 장치(300)는 메모리(310) 및 프로세서(330)를 포함할 수 있다.
메모리(310)는 프로세서(330)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(330)의 동작 및/또는 프로세서(330)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(330)는 메모리(310)에 저장된 데이터를 처리할 수 있다. 프로세서(330)는 메모리(310)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(330)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(330)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(330)는 결함 검사 장치(300)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(330)는 메모리(310)의 동작을 제어할 수 있다.
프로세서(330)는 학습된 뉴럴 네트워크를 이용하여 이미지 제공 장치(100)로부터 제공된 검사 대상의 이미지에서 결함 검사를 고속으로 수행할 수 있다.
이하에서는 설명의 편의를 위해서, 뉴럴 네트워크가 딥러닝으로 구현된 예를 이용하여 설명하도록 한다.
도 4는 뉴럴 네트워크를 학습하기 위한 학습 장치를 나타내고, 도 5 내지 도 7은 학습 과정을 설명하기 위한 도면들이다.
학습 장치(400)는 메모리(410) 및 프로세서(430)를 포함할 수 있다.
메모리(410)는 프로세서(430)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(430)의 동작 및/또는 프로세서(430)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(430)는 메모리(410)에 저장된 데이터를 처리할 수 있다. 프로세서(430)는 메모리(410)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(430)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(430)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(430)는 검사 대상에 대한 입력 데이터와 레이블 데이터를 확장하여 이 둘을 믹싱하여 새로운 학습 데이터를 생성할 수 있다. 입력 데이터는 기존 학습 데이터를 의미한다. 이때, 프로세서(430)는 각 픽셀 위치에 따른 가중치 맥트리스를 입력 데이터와 레이블 데이터에 반영하여 믹싱함으로써 새로운 학습 데이터를 생성할 수 있다.
프로세서(430)는 새로운 학습 데이터를 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 이하에서는 뉴럴 네트워크를 학습시키는 방법에 대해서 상세히 설명하도록 한다.
(1) 1 단계: 딥러닝 모델구성
뉴럴 네크워크인 딥러닝 모델은 FCN(Fully Convolution Network)들을 포함할 수 있다. FCN는 특징 추출(Feature extraction)에서 컨벌루션 레이어(Convolution layer)와 맥스풀링 레이어(maxpooling layer)를 기본으로 구성하고, 이후 일반적인 결함 분류를 위한 FC 레이어(Fully connected layer)를 사용하지 않고 이 부분도 컨벌루션 레이어을 이용하여 최종 출력(output)의 형태가 [height, width, channel = number of class]가 되도록 구성될 수 있다.
(2) 2단계: 입력과 레이블 데이터 믹싱(mixing)
프로세서(430)는 적은 양의 학습 데이터를 효과적으로 증강하기 위해 입력 데이터와 레이블 데이터를 믹싱할 수 있다. 입력 데이터는 1번째 클래스의 입력 데이터 및 2번째 클래스의 입력 데이터를 포함하고, 레이블 데이터는 1번째 클래스의 레이블 데이터 및 2번째 클래스의 레이블 데이터를 포함할 수 있다. 클래스는 정상 및 결함을 구분하기 위한 것으로서, 1번째 클래스는 정상이고, 2번째 클래스는 결함을 의미한다. 3번째 이상의 클래스도 존재할 수 있으며, 결함이 구분되는 것이다.
프로세서(430)는 FCN의 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태에 맞춰서 1번째 클래스의 레이블 데이터와 2번째 클래스의 레이블 데이터를 재구성할 수 있다.
예를 들어, 2번째 클래스의 레이블 데이터는 one-hot encoding으로 [0,1,0]이고, 이 레이블 데이터를 도 5에 도시된 바와 같이 FCN의 최종 레이어 출력과 동일한 해상도로 height, width, channel의 3D tensor형태로 확장할 수 있다. 프로세서(430)는 2개의 레이블 데이터를 이용하여 새로운 데이터 1개를 만들어야 하므로 도 5에 도시된 바와 같이 2개의 레이블 데이터를 모두 확장할 수 있다.
최종 레이어의 출력 해상도와 동일하게 레이블 데이터를 확장했으면, 프로세서(430)는 두 입력 데이터와 두 레이블 데이터를 믹싱할 때 사용할 각 픽셀 위치마다 적용할 가중치를 포함하는 가중치 매트릭스를 생성할 수 있다.
가중치 매트릭스는 도 6의 오른쪽에 도시되어 있다. 가중치 매트릭스는 데이터의 각 픽셀 위치에 적용할 가중치 a를 포함할 수 있다. 가중치 a는 다양한 확률 함수(예를 들어, beta distribution, uniform distribution 등)에 의해 생성될 수 있다. 프로세서(330)는 가중치 매트릭스에 기초하여 픽셀 위치별로 하나의 데이터에 가중치 a를 적용하면, 다른 하나의 데이터에 가중치 1-a로 적용할 수 있다.
프로세서(430)는 가중치 매트릭스에 기초하여 재구성된 1번째 클래스의 레이블 데이터와 2번째 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 믹싱, 즉 컨벡스 조합(convex combination )함으로써 새로운 레이블 데이터를 생성할 수 있다. 예를 들어, 1번째 클래스(또는 channel)의 1번째 픽셀 위치에서 가중치가 0.1이면 새로운 레이블 데이터 T* = 0.1 x T1 + (1-0.1) x T2 = 0.1 x 0 + 0.9 x 1 = 0 + 0.9 = 0.9 가 된다. 이렇게 전체 클래스(또는 channel)과 전체 픽셀(pixel)에 대해서 새로운 레이블을 생성하는 것이다. 새로운 레이블 데이터 T*는 도 6에 도시된 바와 같이 생성될 수 있다.
프로세서(430)는 가중치 매트릭스에 기초하여 픽셀 위치 마다 입력 데이터에도 적용할 수 있다. 이때, 입력 데이터와 가중치 매트릭스는 크기 차이가 나므로, 프로세서(430)는 가중치 매트릭스를 입력 데이터의 크기에 리사이즈(resize)하는 함수 f를 통과시켜서 크기를 일치시킬 수 있다. 프로세서(430)는 리사이즈된(또는 일치된) 가중치 매트릭스에 기초하여 두 입력 데이터에 픽셀 위치마다 가중치를 적용하여 믹싱, 즉 컨벡스 조합(convex combination )함으로써 새로운 입력 데이터 I*를 생성할 수 있다. 새로운 입력 데이터 I*는 도 6에 도시된 바와 같이 생성될 수 있다.
(3) 3단계: 딥러닝 모델 학습
도 7에 도시된 바와 같이, 프로세서(430)는 새로 만들어진 입력 데이터 I* 와 새로운 레이블 데이터 T*를 이용하여 딥러닝 모델, 즉 FCN을 학습시킬 수 있다. 프로세서(430)는 FCN의 마지막 출력과 새로 만들어진 레이블 데이터 T* 와의 차이인 손실(Loss)에 기초하여 FCN을 학습시킬 수 있다.
도 8은 도 3에 도시된 결함 검사 장치가 학습된 딥러닝 모델을 이용하여 결함 검출 및 분류 동작을 수행하는 도면이다.
프로세서(330)는 학습된 딥러닝 모델을 이용하여 결함 검출 및 분류 동작을 수행할 수 있다.
학습된 모델의 FCN 마지막 출력은 [height, width, channel] 이므로, height와 width의 평균값을 최종 출력으로 한다. 즉, [height, width, channel]이 평균을 취하면 class number 크기의 vector 된다. 마지막 출력값이 vector이므로 vector에서 가장 큰 값이 가지는 자리가 결함 종류 class가 된다. 예를 들어, class 종류가 3일 때, [1,0,0]이면 정상, [0,1,0]이면 결함 1, [0,0,1]이면 결함 2가 된다.
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 (10)

  1. 제품의 결함 검사를 위한 학습 방법에 있어서,
    검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하는 단계;
    상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하는 단계; 및
    상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는 단계
    를 포함하는, 학습 방법.
  2. 제1항에 있어서,
    상기 새로운 레이블 데이터를 생성하는 단계는,
    상기 새로운 레이블 데이터를 생성하기 위한, 각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성하는 단계
    를 더 포함하는, 학습 방법.
  3. 제2항에 있어서,
    상기 새로운 레이블 데이터를 생성하는 단계는,
    상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하는 단계; 및
    상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성하는 단계
    를 더 포함하는, 학습 방법.
  4. 제3항에 있어서,
    상기 재구성하는 단계는,
    상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장하는 단계
    를 포함하는, 학습 방법.
  5. 제3항에 있어서,
    상기 새로운 입력 데이터를 생성하는 단계는,
    상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하는 단계; 및
    리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성하는 단계
    를 포함하는, 학습 방법.
  6. 제품의 결함 검사를 위한 학습 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 인스트럭션을 실행시키기 위한 프로세서
    를 포함하고,
    상기 인스트럭션이 실행될 때, 상기 프로세서는,
    검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하고, 상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하고, 상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는, 학습 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성하는, 학습 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하고, 상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성하는, 학습 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장하는, 학습 장치.
  10. 제8항에 있어서,
    상기 프로세서는,
    상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하고, 리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성하는, 학습 장치.
KR1020200139396A 2020-10-26 2020-10-26 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치 KR102512625B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200139396A KR102512625B1 (ko) 2020-10-26 2020-10-26 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200139396A KR102512625B1 (ko) 2020-10-26 2020-10-26 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치

Publications (2)

Publication Number Publication Date
KR20220055184A KR20220055184A (ko) 2022-05-03
KR102512625B1 true KR102512625B1 (ko) 2023-03-23

Family

ID=81591078

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200139396A KR102512625B1 (ko) 2020-10-26 2020-10-26 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102512625B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101897962B1 (ko) 2017-11-27 2018-10-31 한국인터넷진흥원 신경망 모델을 위한 기계 학습 방법 및 그 장치
KR102039138B1 (ko) 2019-04-02 2019-10-31 주식회사 루닛 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102570278B1 (ko) * 2017-07-31 2023-08-24 삼성전자주식회사 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
KR102481885B1 (ko) * 2017-09-08 2022-12-28 삼성전자주식회사 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101897962B1 (ko) 2017-11-27 2018-10-31 한국인터넷진흥원 신경망 모델을 위한 기계 학습 방법 및 그 장치
KR102039138B1 (ko) 2019-04-02 2019-10-31 주식회사 루닛 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치

Also Published As

Publication number Publication date
KR20220055184A (ko) 2022-05-03

Similar Documents

Publication Publication Date Title
KR102317992B1 (ko) 뉴럴 네트워크를 이용한 제품 검사 방법, 장치 및 제품 검사 장치 학습 방법
CN111275660B (zh) 一种平板显示器缺陷检测方法及装置
Shipway et al. Using ResNets to perform automated defect detection for Fluorescent Penetrant Inspection
CN112102281B (zh) 基于改进Faster Rcnn的货车制动缸故障检测方法
US11164306B2 (en) Visualization of inspection results
US20220108434A1 (en) Deep learning for defect detection in high-reliability components
Shi et al. Zoom-cam: Generating fine-grained pixel annotations from image labels
Gao et al. Deep learning visual interpretation of structural damage images
KR102512625B1 (ko) 데이터 증강을 이용하여 결함 검사를 위한 학습 방법 및 이를 수행하는 장치
US20190050514A1 (en) Fault injection using hybrid simulation model
Arima et al. Visualization and location estimation of defective parts of industrial products using convolutional autoencoder
Abou Tabl et al. Deep learning method based on big data for defects detection in manufacturing systems industry 4.0
Sheiati et al. Deep learning-based fatigue damage segmentation of wind turbine blades under complex dynamic thermal backgrounds
KR102178238B1 (ko) 회전 커널을 이용한 머신러닝 기반 결함 분류 장치 및 방법
KR102434442B1 (ko) 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들
Wu et al. Detection of defects on aluminum profile surface based on improved YOLO
CN115861284A (zh) 印刷制品线状缺陷检测方法、装置、电子设备和存储介质
KR102298708B1 (ko) 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들
KR102302540B1 (ko) 데이터 페어 생성 기술을 이용한 딥러닝 기반 제품 결함 검사 시스템 및 방법
Upadhyay et al. Artificial intelligence application to D and D—20492
Kirthiga et al. A survey on crack detection in concrete surface using image processing and machine learning
KR102369293B1 (ko) 듀얼 딥러닝을 이용한 제품의 내부 결함 검사 시스템 및 방법
Katarya et al. A review of interpretable deep learning for neurological disease classification
KR102302341B1 (ko) 자기지도 학습에 기반한 제품 검사 방법 및 장치
Bäuerle et al. CAD2Real: Deep learning with domain randomization of CAD data for 3D pose estimation of electronic control unit housings

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right